Extração de conhecimento de redes neurais artificiais utilizando sistemas de aprendizado simbólico e algorítmos genéticos (2003)
- Authors:
- Autor USP: MILARE, CLAUDIA REGINA - ICMC
- Unidade: ICMC
- Sigla do Departamento: SCE
- Subjects: REDES NEURAIS; ALGORITMOS GENÉTICOS; APRENDIZADO COMPUTACIONAL
- Language: Português
- Abstract: Em Aprendizado de Máquina - AM - não existe um único algorítmo que é sempre melhor para todos os domínios de aplicação. Na prática, diversas pesquisas mostram que Redes Neurais Artificiais - RNAs - têm um bias indutivo apropriado para diversos domínios. Em razão disso, RNAs têm sido aplicadas na resolução de vários problemas com desempenho satisfatório. Sistemas de AM simbólico possuem um bias indutivo menos flexível do que as RNAs. Enquanto que as RNAs são capazes de aprender qualquer função, sistemas de AM simbólico geralmente aprendem conceitos que podem ser descritos na forma de hiperplanos. Por outro lado, sistemas de AM simbólico representam o conceito induzido por meio de estruturas simbólicas, as quais são geralmente compreensíveis pelos seres humanos. Assim, sistemas de AM simbólico representam o conceito induzido por meio de estuturas simbólicas, as quais são geralmente compreensíveis pelos seres humanos. Assim, sistemas de AM simbólico são preferíveis quando é essencial a compreensibilidade do conceito induzido. RNAs carecem da capacidade de explicar suas decisões, uma vez que o conhecimento é codificado na forma de valores de seus pesos e thresholds. Essa condição é difícil de ser interpretada por seres humanos. Em diversos domínios de aplicação, tal como aprovação de crédito e diagnóstico médico, prover uma explicação sobre a classificação dada a um determinado caso é de crucial importância. De um modo similar, diversos usuários de sistema de AMsimbólico desejam validar o conhecimento induzido, com o objetivo de assegurar que a generalização feita pelo algorítmo é correta. Para que RNAs sejam aplicadas em um maior número de domínios, diversos pesquisadores têm proposto métodos para extrair conhecimento compreensível de RNAs. As principais contribuições desta tese são dois métodos que extraem conhecimento simbólico de RNAs. Os métodos propostos possuem diversas vantagens sobre outros métodos ) propostos previaviamente, tal como ser aplicáveis a qualquer arquitetura ou algorítmo de aprendizado de RNAs supervisionadas. O primeiro método proposto utiliza sistemas de AM simbólico para extrair conhecimento de RNAs, e o segundo método proposto estende o primeiro, combinado o conhecimento induzido por diversos sistemas de AM simbólico por meio de um Algorítmo Genético - AG. Os métodos propostos são analisados experimentalmente em diversos domínios de aplicação. Ambos os métodos são capazes de extrair conhecimento simbólico com alta fidelidade em relação à RNA treinada. Os métodos propostos são comparados com o método TREPAN, apresentando resultados promissores. TREPAN é um método bastante conhecido para extrair conhecimento de RNAs
- Imprenta:
- Publisher place: São Carlos
- Date published: 2003
- Data da defesa: 24.06.2003
-
ABNT
MILARÉ, Claudia Regina. Extração de conhecimento de redes neurais artificiais utilizando sistemas de aprendizado simbólico e algorítmos genéticos. 2003. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2003. Disponível em: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-11082004-004358/. Acesso em: 17 abr. 2024. -
APA
Milaré, C. R. (2003). Extração de conhecimento de redes neurais artificiais utilizando sistemas de aprendizado simbólico e algorítmos genéticos (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-11082004-004358/ -
NLM
Milaré CR. Extração de conhecimento de redes neurais artificiais utilizando sistemas de aprendizado simbólico e algorítmos genéticos [Internet]. 2003 ;[citado 2024 abr. 17 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-11082004-004358/ -
Vancouver
Milaré CR. Extração de conhecimento de redes neurais artificiais utilizando sistemas de aprendizado simbólico e algorítmos genéticos [Internet]. 2003 ;[citado 2024 abr. 17 ] Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-11082004-004358/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas