Navegando por Autor "Pila, Adriano Donizete"

Agora exibindo 1 - 3 de 3
  • Imagem de Miniatura
    Item
    Arquitetura, projeto e implementação da biblioteca Evolutionary Computing Learning Environment (ECLE) para construir regras de conhecimento com propriedades específicas.
    (2006-12) Giusti, Rafael; Pila, Adriano Donizete; Monard, Maria Carolina
    Os algoritmos simbólicos de aprendizado de máquina supervisionado são capazes de gerar um conjunto de regras capaz de explicar o conhecimento implícito em um conjunto de dados. Entretanto, desse conjunto de regras nem sempre é possível obter regras de conhecimento que causem surpresa ou representem conhecimento novo para o especialista do domínio. Neste trabalho propomos um ambiente computacional que consiste de uma biblioteca de classes baseada em algoritmos evolutivos, a qual foi desenvolvida para a construção de regras individuais de conhecimento com propriedades específicas. Também propomos neste trabalho uma representação para regras de conhecimento que codifica as condições da regras de forma a permitir a atuação do algoritmo evolutivo e dos métodos por nós propostos para a avaliação, seleção e recombinação dessas regras. Apresentamos também a arquitetura da biblioteca de classes com as deíinições e discussões sobre os métodos, bem como a convenção adotada na implementação de todo o trabalho. Finalmente, são apresentadas algumas conclusões sobre o desenvolvimentodo projeto.
  • Imagem de Miniatura
    Item
    Arquitetura, projeto e implementação da biblioteca Evolutionary Computing Learning Environment (ECLE) para construir regras de conhecimento com propriedades específicas.
    (2006-12) Giusti, Rafael; Pila, Adriano Donizete; Monard, Maria Carolina
    Os algoritmos simbólicos de aprendizado de máquina supervisionado são capazes de gerar um conjunto de regras capaz de explicar o conhecimento implícito em um conjunto de dados. Entretanto, desse conjunto de regras nem sempre é possível obter regras de conhecimento que causem surpresa ou representem conhecimento novo para o especialista do domínio. Neste trabalho propomos um ambiente computacional que consiste de uma biblioteca de classes baseada em algoritmos evolutivos, a qual foi desenvolvida para a construção de regras individuais de conhecimento com propriedades específicas. Também propomos neste trabalho uma representação para regras de conhecimento que codifica as condições da regras de forma a permitir a atuação do algoritmo evolutivo e dos métodos por nós propostos para a avaliação, seleção e recombinação dessas regras. Apresentamos também a arquitetura da biblioteca de classes com as definições e discussões sobre os métodos, bem como a convenção adotada na implementação de todo o trabalho. Finalmente, são apresentadas algumas conclusões sobre o desenvolvimento do projeto.
  • Imagem de Miniatura
    Item
    Rule induction using rough sets reducts as filter for selecting features: an empirical comparison with other filters.
    (2001-04) Pila, Adriano Donizete; Monard, Maria Carolina
    The Feature Subset Selection is an important problem within the Machine Learning area where the learning algorithm is faced with the. problem of selecting relevant features while ignoring the rest. Another important problem within this area is the complexity of the knowledge acquired (hypotheses) though rules induction. Rough Sets Theory is a mathematical tool to deal with vagueness and uncertainty information, One of the main features of this approach are the reducts, which is a minimal feature set that preserves the ability to discern each object from the others. This work presents in detail several experiments, results and comparisons using Rough Sets Reducts and other Filters for feature subset selection and rule induction. The purpose of this work is to investigate the reduction of the complexity of the rules induced in terms of the Feature Subset Selection problem, considering as measure of rules complexity the number of rules induced. All the experiments where run on natural datasets, most of them obtained from the UCI Irvine Repository.