---

As Redes Bayesianas (RBs) podem ser consideradas como uma forma de representa‡Æo do conhecimento baseada no raciocínio probabilístico e possuem características que as tornam muito adequadas para tarefas de minera‡Æo de dados. O aprendizado automático de RBs e Classificadores Bayesianos (CBs) busca identificar uma RB que represente o relacionamento entre as variáveis de um determinado conjunto de dados, mas sendo um problema NP-completo o espa‡o de busca se torna muito amplo na maioria das aplica‡äes. Assim, muitos algoritmos exploram formas de redu‡Æo do espa‡o de busca para tornar o processo de aprendizado computacionalmente viável. Este livro apresenta um método, o MarkovPC, de aprendizado de CBs que visa exatamente reduzir o espa‡o de busca durante a indu‡Æo de um classificador a partir de dados. Para tanto, toma-se como base algoritmos de aprendizado de RB da classe de Independência Condicional e o conceito de Markov Blanket. Resultados mostram que o MarkovPC é capaz de reduzir o esfor‡o computacional do processo de indu‡Æo de um classificador Bayesiano e mantendo a qualidade do classificador induzido em termos de taxa de classifica‡Æo correta.

---

Trabalha na área de computa‡Æo desde 2001, atuando como programador, arquiteto de software e gerente de desenvolvimento por empresas como IBM, HSBC e Ericsson Irlanda. Graduado pela PUC-PR e mestre em ciência da computa‡Æo pela UFSCar, possui diversas publica‡äes em periódicos e conferências internacionais na área de IA e data mining.

---