Neste trabalho são apresentados métodos para aprendizado de classificadores Bayesianos a partir de bases de dados contendo dados rotulados e não-rotulados (aprendizado semi-supervisionado). O trabalho apresenta dois novos algoritmos, SSS e CBL-EM, e compara estes algoritmos com versões de classificadores Naive Bayes, Tree-Augmented Naive Bayes e Structural-EM. As principais contribuições foram o desenvolvimento de um método para utilizar o algoritmo CBL1 em conjunto com o algoritmo EM (do inglês Expectation-Maximization) e a definição de uma metodologia para o aprendizado semi-supervisionado de classificadores Bayesianos. Os resultados empíricos mostram que os algoritmos propostos tem desempenho superior aos algoritmos existentes para aprendizado com dados rotulados e não-rotulados.

This work presents techniques for learning Bayesian classifiers from databases containing labeled and unlabeled data (semi-supervised learning). The work presents two new algorithms, SSS and CBL-EM, and compares their performance with versions of Naive Bayes, Tree-Augmented Naive Bayes and Structural-EM classifiers. The main contributions of this work are the development of a framework for using the CBL1 and EM algorithms together, and the development of a methodology for the semi-supervised learning of Bayesian classifiers. The empirical tests show that the proposed algorithms perform better than existing classifiers for labeled and unlabeled data