Resultados de la competencia e información genealógica de caballos criollos: un enfoque basado en el descubrimiento del conocimiento
DOI:
https://doi.org/10.33448/rsd-v10i11.19254Palabras clave:
Descubrimiento de Conocimiento en la base de datos; Asociación Brasileña de Criadores de Caballos Criollos; Investigación genealógica.Resumen
Este artículo tiene como objetivo aplicar algoritmos de inteligencia artificial en la minería de datos genealógicos de caballos criollos premiados en la competencia de Expointer, con el fin de encontrar patrones y características de animales que han ganado concursos. El conjunto de datos se obtuvo del repositorio de la Asociación Brasileña de Criadores de Caballos Criollos. Las técnicas y algoritmos aplicados fueron análisis de frecuencia, comparación de medias y regresión lineal. En total, se extrajo la información de 1866 animales. Los datos se organizaron en dos grupos de acuerdo con las pruebas de Morfología y Golden Brake. La tribu paterna que mejor desempeño tuvo entre los campeones de Morfología y Golden Brake fue Aculeo Vastago. En comparación, las familias maternas exitosas mostraron mayor variabilidad, aun así se observó una dominancia de Torhuela, Che Pitanga 565 y BT Fuzarca en la prueba de Morfología. El análisis de comparación de medias reveló que existe una diferencia estadísticamente significativa (p<0,001) entre las medias de las notas finales en comparación con el puesto de prueba. El análisis del conjunto de datos mostró una gran variabilidad y pocos patrones. Aun así, fue posible identificar las cepas más reincidentes entre las mejor colocadas en las pruebas de Morfología y Golden Brake. Los hallazgos de este estudio pueden ayudar en la mejora genética de razas autóctonas, permitiendo un mejor desempeño de las cepas en competiciones.
Citas
ABCCC. ABCCC - Associação Brasileira de Criadores de Cavalos Crioulos. https://www.cavalocrioulo.org.br/
Cardoso, O. N. P. & Machado, R. T. M. (2008). Gestão do conhecimento usando data mining: Estudo de caso na Universidade Federal de Lavras. Revista de Administração Pública, 42, 495–528.
Faceli, K., Lorena, A. C., Gama, J., Almeida, T. A. & Carvalho, A. C. P. R. F. (2021). Inteligência Artificial—Uma Abordagem de Aprendizado de Máquina (2a ed.). LTC.
Cucco, D. C., Salles, E. L., Santos, M. R., Ferreira, R., Soriano, V. S., Zampar, A. & Kessler, J. D. (2016). Freio de Ouro como ferramenta de seleção na raça Crioula. Archivos de Zootecnia, 65(250), 155–161.
Dani, G., Sachet, M. & De Avila e Silva, S. (2020) Data Mining in Bioinformática [recurso eletrônico]: contexto computacional e aplicações. Educs.
Demšar, J., Curk, T., Erjavec, A., Gorup, Č., Hočevar, T., Milutinovič, M., Mozina, M., Polajnar, M., Toplak, M., Staric, A., Stajdohar, M., Umel, L., Zagar, L., Zbontar, J., Zitnik, M. & Zupan, B. (2013). Orange: data mining toolbox in Python. the Journal of machine Learning research, 14(1), 2349-2353.
Elmasri, R. & Navathe, S. B. (2019). Sistemas de Banco de Dados. Pearson Universidades.
Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P. (1996). The KDD process for extracting useful knowledge from volumes of data. Communications of the ACM, 39(11), 27-34.
Fayyad, U. M., Haussler, D. & Stolorz, P. E. (1996). KDD for Science Data Analysis: Issues and Examples. In KDD.
Ferreira, P. B., Vale, M. M. D., Macedo, A., Boemo, L. S., Rorato, P. R. N. & Beck, T. B. (2013). Classificação de características produtivas fenotípicas de diferentes raças de poedeiras através da mineração de dados. Ciência Rural, 43, 164-171.
Garcia, C. A. S. C., Martins, C. F., Silva, L. L., Brandi, R. A., Feijó, J. O., Barbosa, A. A., Bruhn, F. R. P. & Corrêa, M. N. (2020). Frequência cardíaca, lactacidemia e gasto energético de equinos da raça Crioula em provas credenciadoras ao Freio de Ouro. Arquivo Brasileiro de Medicina Veterinária e Zootecnia, 72, 1631–1638.
Gianluppi, L. D. F., Bortoli, E. C., Schvarz Sobrinho, R., Falcão, T. F. & Silva, T. N. (2009). Agregação de valor em eqüinos da raça crioula: Um estudo de caso. Archivos de Zootecnia, 58(223), 471–474.
Goldschmidt, R., Passos, E. & Bezerra, E. (2015). Data Mining. Elsevier Brasil.
Lima, H. P., de Abreu, U. G., Oliveira, S. D. M. & Massruhá, S. M. (2013). Mineração de dados aplicada à modelagem da incidência da Anemia Infecciosa Equina (AIE), no Pantanal sul-matogrossense. In: Embrapa Informática Agropecuária-Artigo em anais de congresso. Universidade Federal de Mato Grosso.
Minitab 17 Statistical Software (2010). [Computer software]. Minitab, Inc. (www.minitab.com)
Neethirajan, S. (2020). The role of sensors, big data and machine learning in modern animal farming. Sensing and Bio-Sensing Research, 29, 100367.
Ouyang, Z., Sargeant, J., Thomas, A., Wycherley, K., Ma, R., Esmaeilbeigi, R., Versluis, A., Stacey, D., Stone, E., Poljak, Z. & Bernardo, T. M. (2019). A scoping review of “big data”, “informatics”, and “bioinformatics” in the animal health and veterinary medical literature. Animal Health Research Reviews, 20(1), 1–18.
Regatieri, I. C. & Mota, M. D. S. (2012). Melhoramento genético de equinos: Aspectos bioquímicos. Ars Veterinaria, 28(4), 227–233.
Silva, L. A. (2016). Introdução à Mineração de Dados - Com Aplicações em R GEN LTC.
VanderWaal, K., Morrison, R. B., Neuhauser, C., Vilalta, C. & Perez, A. M. (2017). Translating big data into smart data for veterinary epidemiology. Frontiers in veterinary science, 4, 110.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Jessica Della Giustina; Tiago Piccoli; Fernanda Pessi de Abreu; Pedro Lenz Casa; Fernando Paixão Lisboa; Scheila De Avila e Silva
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores que publican en esta revista concuerdan con los siguientes términos:
1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.
2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.
3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.
