Descrição da arquitetura e do projeto do sistema computacional GAERE para realizar evolução genética de classificadores simbólicos.
| dc.contributor | Instituto de Ciências Matemáticas e de Computação – ICMC/USP | pt_BR |
| dc.contributor.author | Bernardini, Flávia Cristina | |
| dc.contributor.author | Monard, Maria Carolina | |
| dc.date.accessioned | 2018-06-22T15:59:46Z | |
| dc.date.available | 2018-06-22T15:59:46Z | |
| dc.date.issued | 2006-05 | |
| dc.description.abstract | Nos dias atuais, há uma grande quantidade de dados armazenados em bases de dados reais, que continua a crescer rapidamente. Assim, existe a necessidade de extrair conhecimento da informação contida nesses dados. Esse problema é típico da área de Mineração de Dados, na qual é frequentemente utilizado Aprendizado de Máquina para a extração de conhecimento. Entretanto, os algoritmos de aprendizado geralmente realizam um tipo de busca local no espaço de soluções (hipóteses) para encontrar uma solução para o problema, encontrando assim soluções ótimas locais. Além disso, esses algoritmos avaliam a hipótese incompleta a cada iteração até chegar na hipótese final. Para tentar resolver esses problemas, pode-se utilizar Algoritmos Evolutivos (AEs), os quais geralmente realizam uma busca mais global no espaço de hipóteses e, tipicamente, avaliam hipóteses (soluções) completas a cada iteração para chegar à hipótese (solução) final. Também, em problemas que envolvem grandes bases de dados, pode-se retirar amostras dessas bases, induzir classificadores dessas amostras e evoluir esses classificadores utilizando AEs. O objetivo deste trabalho é propor e descrever o projeto de um sistema computacional, denominado GAERE, que implementa Algoritmos Genéticos, um sub-paradigma de AEs, para evoluir hipóteses (classificadores) simbólicas em uma hipótese final, única, preferencialmente melhor que as hipóteses iniciais. O foco deste trabalho está em evoluir classificadores simbólicos, que podem ser expressos na forma de regras de conhecimento, para que o classificador final possa explicar ao usuário a classificação atribuída a um novo exemplo; essa capacidade de explicação é de fundamental importância em muitos domínios de conhecimento, tais como medicina. | pt_BR |
| dc.description.notes | Relatórios Técnicos do ICMC; 275 | pt_BR |
| dc.format | 56 p. | pt_BR |
| dc.identifier.uri | http://repositorio.icmc.usp.br//handle/RIICMC/6737 | |
| dc.language.iso | por | pt_BR |
| dc.publisher.city | São Carlos, SP, Brasil. | pt_BR |
| dc.subject | Inteligência artificial | pt_BR |
| dc.title | Descrição da arquitetura e do projeto do sistema computacional GAERE para realizar evolução genética de classificadores simbólicos. | pt_BR |
| dc.title.alternative | Description of the architecture and design of the GAERE computer system to perform genetic evolution of symbolic classifiers. | pt_BR |
| dc.type.category | Relatórios técnicos | pt_BR |
| usp.description.abstracttranslated | Nowadays, there is a great deal of data stored on databases. data, which continues to grow rapidly. Thus, there is a need to knowledge from the information contained in these data. This problem is typical Data Mining Task, in which it is frequently used of M'aquina for the extraction of knowledge. However, the learning algorithms usually perform a local type of search in the space of solutions (hipoteses) to find a solution to the problem, thus finding optimal solutions locations. In addition, these algorithms evaluate the incomplete hypothesis at each iteration Until you reach the final hypothesis. In order to solve these problems, you can use Evolutionary Algorithms (EAs), which generally perform a more global search in the space of hypotheses and, typically, evaluate complete hypotheses (solutions) in each iteration to arrive at the final hypothesis (solution). Also, in problems that involve large databases, samples can be taken from these databases, of these samples and evolve these classifiers using AEs. The purpose of this and propose and describe the design of a GAERE, which implements Genetic Algorithms, a sub-paradigm of AEs, to to evolve symbolic hypotheses (classifiers) in a final hypothesis, uniquely, preferably better than the initial hypotheses. The focus of this work is evolving symbolic classifiers, which can be expressed in the form of rules of knowledge, so that the final classifier can explain to the user the assigned classification to a new example; this capacity of explanation 'and of fundamental importance in many domains of knowledge, such as medicine. | pt_BR |