Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/4113
Tipo: | Tese |
Título: | Ciência de dados no diagnóstico de intoxicação por agrotóxicos em trabalhadores rurais usando teoria de conjuntos aproximados |
Autor(es): | CARVALHO, Jaqueline Corrêa Silva de |
Primeiro Orientador: | PIMENTA, Tales Cleber |
metadata.dc.contributor.advisor-co1: | SILVÉRIO, Alessandra Cristina Pupin |
Resumo: | Num projeto de Ciência de Dados, é essencial determinar a relevância dos dados e identificar padrões que contribuam para a tomada de decisões com base no conhecimento específico do domínio. Além disso, uma definição clara das metodologias e a criação de documentação para orientar o desenvolvimento de um projeto desde o início até a conclusão são elementos essenciais. Este estudo apresenta um modelo de Ciência de Dados projetado para orientar o processo, abrangendo desde a coleta de dados até o treinamento com o objetivo de facilitar a descoberta de conhecimento. Motivado por deficiências em metodologias existentes de Ciência de Dados, especialmente a falta de orientação prática passo a passo sobre como preparar os dados para alcançar a fase de produção. Chamado de “Ciclo de Refinamento de Dados com a Teoria de Conjuntos Aproximados (CRD–TCA)”, o modelo proposto foi desenvolvido com base nas necessidades emergentes de um projeto de Ciência de Dados com o objetivo de auxiliar profissionais de saúde no diagnóstico de intoxicação por agrotóxicos entre trabalhadores rurais. O conjunto de dados usado neste projeto resultou de uma pesquisa científica na qual foram coletadas 1027 amostras, contendo dados relacionados a biomarcadores de toxicidade e análises clínicas. Alcançamos uma precisão de 99,61% com apenas 27 regras para determinar o diagnóstico. Os resultados otimizaram práticas de saúde e melhoraram a qualidade de vida em áreas rurais. Os resultados do projeto demonstraram o sucesso do modelo proposto. |
Abstract: | In a Data Science project, it is essential to determine the relevance of the data and identify patterns that contribute to decision–making based on domain–specific knowledge. Furthermore, a clear definition of methodologies and creation of documentation to guide a project’s development from inception to completion are essential elements. This study presents a Data Science model designed to guide the process, covering data collection through training with the aim of facilitating knowledge discovery. Motivated by deficiencies in existing Data Science methodologies, particularly the lack of practical step–by–step guidance on how to prepare data to reach the production phase. Named “Data Refinement Cycle with Rough Set Theory (DRC– RST)”, the proposed model was developed based on the emerging needs of a Data Sciense project aimed at assisting healthcare professionals in diagnosing pesticide poisoning among rural workers. The dataset used in this project resulted from scientific research in which 1027 samples were collected, containing data related to toxicity biomarkers and clinical analyses. We achieved an accuracy of 99.61% with only 27 rules for determining the diagnosis. The results optimized healthcare practices and improved quality of life in rural areas. The project outcomes demonstrated the success of the proposed model. |
Palavras-chave: | Ciência de dados Sistema de suporte à decisão Aprendizado de máquina Diagnóstico de intoxicação por agrotóxicos |
CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Itajubá |
Sigla da Instituição: | UNIFEI |
metadata.dc.publisher.department: | IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
metadata.dc.publisher.program: | Programa de Pós-Graduação: Doutorado - Engenharia Elétrica |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.unifei.edu.br/jspui/handle/123456789/4113 |
Data do documento: | 11-Jul-2024 |
Aparece nas coleções: | Teses |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Tese_2024038.pdf | 4,73 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.