Please use this identifier to cite or link to this item: https://app.uff.br/riuff/handle/1/14856
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorMattos, Diogo Menezes Ferrazani-
dc.contributor.authorAragão, Letı́cia Domingues de-
dc.date.accessioned2020-09-03T14:00:17Z-
dc.date.available2020-09-03T14:00:17Z-
dc.date.issued2020-
dc.identifier.citationARAGÃO, Letícia Domingues de. Avaliação de algoritmos de aprendizado de máquina aplicados à classificação de dados em níveis de confidencialidade. 2020. 67f. Trabalho de Conclusão de Curso ((raduação em Engenharia de Telecomunicações)-Universidade Federal Fluminense, Escola de Engenharia, Niterói, 2020.pt_BR
dc.identifier.urihttps://app.uff.br/riuff/handle/1/14856-
dc.description.abstractA correta definição do nı́vel de acesso para cada informação disponı́vel em um ambiente empresarial é desafiadora e falha. Esses processos recaem sobre procedimentos manuais ou baseados em expressões regulares genéricas. Este projeto propõe uma abordagem autônoma capaz de classificar, em diferentes graus de confidencialidade, a informação contida em uma base de dados real de uma instituição financeira. A abordagem inclui a aplicação de técnicas de processamento de linguagem natural bem como diferentes algoritmos de aprendizado supervisionado e não-supervisionado. A avaliação do desempenho da proposta mostra que o algoritmo de Floresta Aleatória associado à vetorização por conjunto de palavras do conteúdo dos documentos apresenta desempenho similar na discriminação entre as classes de confidencialidade e acurácia total de 89,29%. A técnica de vetorização de melhor desempenho identificada, feature hashing, evidencia que o nı́vel de confidencialidade depende da identificação de grupos de palavras-chave no documento.pt_BR
dc.description.provenanceSubmitted by René Filho (renepestre@id.uff.br) on 2020-09-03T00:04:13Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Letícia Aragão - Trabalho de conclusão de curso.pdf: 5683613 bytes, checksum: 6c2eb7e44bc1e0ebd07d19ef854a307c (MD5)en
dc.description.provenanceApproved for entry into archive by Biblioteca da Escola de Engenharia (bee.sdc@id.uff.br) on 2020-09-03T14:00:17Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Letícia Aragão - Trabalho de conclusão de curso.pdf: 5683613 bytes, checksum: 6c2eb7e44bc1e0ebd07d19ef854a307c (MD5)en
dc.description.provenanceMade available in DSpace on 2020-09-03T14:00:17Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Letícia Aragão - Trabalho de conclusão de curso.pdf: 5683613 bytes, checksum: 6c2eb7e44bc1e0ebd07d19ef854a307c (MD5) Previous issue date: 2020en
dc.language.isopt_BRpt_BR
dc.publisherUniversidade Federal Fluminensept_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.titleAvaliação de algoritmos de aprendizado de máquina aplicados à classificação de dados em nı́veis de confidencialidadept_BR
dc.typeTrabalho de conclusão de cursopt_BR
dc.subject.keywordDadospt_BR
dc.subject.keywordModelospt_BR
dc.subject.keywordPúblicopt_BR
dc.subject.keywordInternopt_BR
dc.subject.keywordConfidencialpt_BR
dc.subject.keywordLGPDpt_BR
dc.subject.keywordSensibilidadept_BR
dc.subject.keywordDesempenhopt_BR
dc.contributor.membersAlbuquerque, Célio Vinicius Neves de-
dc.contributor.membersMedeiros, Dianne Scherly Varela de-
dc.degree.levelgraduaçãopt_BR
dc.subject.descriptorAprendizado de máquinapt_BR
dc.subject.descriptorSegurança da informaçãopt_BR
dc.subject.descriptorAvaliação da conformidadept_BR
dc.subject.keywordotherClassificationpt_BR
dc.subject.keywordotherDatapt_BR
dc.subject.keywordotherModelspt_BR
dc.subject.keywordotherPublicpt_BR
dc.subject.keywordotherInternalpt_BR
dc.subject.keywordotherConfidentialpt_BR
dc.subject.keywordotherSensitivitypt_BR
dc.subject.keywordotherPerformancept_BR
dc.description.abstractotherThe correct definition of the access level for each available document in a business environment is challenging and flawed. These processes fall on procedures that are either manual or based on generic regular expressions. In this project, we propose an autonomous approach capable of classifying, in different degrees of confidentiality, the information contained in a real database of a financial institution. The approach includes the application of natural language processing techniques as well as different supervised and unsupervised learning algorithms. The proposal’s performance evaluation shows that the Random Forest algorithm, associated with the bag of words vectorization of the content in documents, presents a similar performance in the discrimination between the classes of confidentiality and total accuracy of 89.29%. The best vectorization technique, feature hashing, showed that the privacy level depends on identifying groups of keywords in the document.pt_BR
dc.identifier.vinculationAluno de Graduaçãopt_BR
dc.degree.grantorUniversidade Federal Fluminensept_BR
dc.degree.departmentEscola de Engenhariapt_BR
dc.degree.departmentDepartamento de Engenharia de Telecomunicaçõespt_BR
dc.degree.date2020-08-14-
dc.degree.localNiterói, RJpt_BR
dc.degree.cursoBacharelado em Engenharia de Telecomunicaçõespt_BR
dc.publisher.departmentNiteróipt_BR
Appears in Collections:TGT - Trabalhos de Conclusão de Curso - Niterói

Files in This Item:
File Description SizeFormat 
Letícia Aragão - Trabalho de conclusão de curso.pdf5.55 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons