---

Em minera‡Æo de dados, a sele‡Æo de features é uma tarefa importante na elimina‡Æo de features irrelevantes/redundantes do conjunto de dados. Na aprendizagem de máquina nÆo- supervisionada, a sele‡Æo de features é considerada ainda mais difícil do que na aprendizagem supervisionada, por nÆo possuir a informa‡Æo de classe, que possa ser utilizada para a avalia‡Æo das features. Muitos métodos de sele‡Æo de features na aprendizagem nÆo-supervisionada sÆo propostos na literatura, porém a avalia‡Æo do melhor conjunto de features é realizada através de critérios supervisionados, onde as classes sÆo exigidas, o que nem sempre ocorre em um cenário real. Outro problema é que os métodos atribuem scores para cada feature e utilizam números mágicos para escolher as m-melhores features. Assim, neste trabalho é proposta uma metodologia que tentará ajudar especialistas de dados a realizarem a sele‡Æo de features em um cenário totalmente nÆo-supervisionado.

---

de Souza, Marcos
Possuo gradua‡Æo em Ciência da Computa‡Æo (2014) e pós-gradua‡Æo em gerenciamento de projetos pela Faculdade dos Guararapes (2016), especializa‡Æo em engenharia de software pela Universidade de Pernambuco (2016) e mestrado em Ciências da Computa‡Æo pela Universidade Federal de Pernambuco (2018).

---