Resultados de competições e informações genealógicas de equinos da raça crioula: uma abordagem baseada em descoberta do conhecimento
DOI:
https://doi.org/10.33448/rsd-v10i11.19254Palavras-chave:
Descoberta do Conhecimento em Banco de Dados; Associação Brasileira de Criadores de Cavalos Crioulos; Pesquisa genealógica.Resumo
O presente artigo tem por objetivo aplicar algoritmos de inteligência artificial na mineração de dados genealógicos de cavalos crioulos premiados dentro da Expointer, a fim de encontrar padrões e características de animais vencedores de competições. O conjunto de dados foi obtido do repositório da Associação Brasileira de Criadores de Cavalos Crioulos. As técnicas e algoritmos aplicados foram as análises de frequências, comparação de médias e regressão linear. No total, foram extraídas as informações de 1866 animais. Os dados foram organizados em dois grupos segundo as provas de Morfologia e Freio de Ouro. A tribo paterna que teve o melhor desempenho entre os campeões de Morfologia e Freio de Ouro foi Aculeo Vastago. Em comparação, as famílias maternas bem-sucedidas demonstraram uma maior variabilidade, mesmo assim foi observado uma dominação de Torhuela, Che Pitanga 565 e BT Fuzarca na prova de Morfologia. As análises de comparação de médias revelaram que existe diferença estatística significante (p<0,001) entre as médias das notas finais em comparação à posição da prova. A análise do conjunto de dados demonstrou grande variabilidade e poucos padrões. Ainda assim, foi possível identificar as linhagens mais reincidentes entre as melhores colocações nas provas de Morfologia e Freio de Ouro. Os achados deste estudo podem auxiliar no melhoramento genético das raças crioulas, possibilitando um melhor desempenho das linhagens nas competições.
Referências
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.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 Jessica Della Giustina; Tiago Piccoli; Fernanda Pessi de Abreu; Pedro Lenz Casa; Fernando Paixão Lisboa; Scheila De Avila e Silva
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
