Algoritmos Genéticos para Seleção de Amostras em problemas de Classificação
|
|
- João Vítor Schmidt Mascarenhas
- 5 Há anos
- Visualizações:
Transcrição
1 Algoritmos Genéticos para Seleção de Amostras em problemas de Classificação Rodrigo da Costa Nascimento Marco Aurélio Cavalcanti Pacheco Departamento de Engenharia Elétrica Pontifícia Universidade Católica do Rio de Janeiro Resumo - Segmentação de Classes vem sendo intensamente investigado dentro da área de inteligência computacional e apresenta uma série de técnicas capazes de realizar esta tarefa, este artigo aborda uma das variáveis deste problema que é a quantidade de amostras para um classificador, não existe nenhuma formula capaz de definir a quantidade ideal para se ter um modelo bem austado, o que sabemos é que necessitamos em vários problemas realizar uma peneira nos dados e procuramos apresentar uma técnica utilizando algoritmos genéticos para tratar os dados de forma a eliminar o ruído e selecionar os elementos mais representativos de uma classe especificamente para problemas supervisionados. Para o Algoritmo genético construído utilizamos a função de distância de Jeffries-Matusita que avalia o grau de superposição de duas distribuições e o quanto estão separadas através de medidas de covariância e média por acreditarmos que é uma boa medida de estimativa das classes. Para validação do trabalho foram realizados experimentos trabalhando com dados ruidosos gerados sinteticamente e uma base de bancos de dados de letras para problemas de OCR. Palavras Chaves: Classificador, Seleção de Amostras, Algoritmo Genético, problemas supervisionaos, distância Jeffries-Matusita. 1. INTRODUÇÃO Algoritmos Genéticos são uma família de modelos computacionais que podem ser utilizados para procurar, resolver e otimizar problemas, pois é útil pôr sua robustez e velocidade, sendo designados para um tipo determinado de otimização, onde o espaço de busca é muito grande e os métodos convencionais se demonstram ineficientes. Possíveis soluções de um problema são combinadas e alteradas, normalmente através de mecanismos inspirados na seleção natural (de Charles Darwin), na recombinação e na mutação genética, tendo como principais características a obtenção de um conunto de soluções ao invés de uma única. Um algoritmo genético vai especializando uma população para adaptar-se a um determinado contexto e esta adaptação vai ser definida precisamente pela função a ser otimizada. A motivação deste trabalho esta em realizar uma técnica de seleção de amostras para tarefas de classificação baseada em algoritmos genéticos. Esta tarefa tem sido bastante abordada na literatura, principalmente em sistemas de rede neurais e regressões lineares. A questão é que nem sempre o maior volume de dados significa o melhor modelo. Existem situações em que é necessário selecionar amostras do seu banco para alcançar um modelo mais austado, isso ocorre com mais freqüência em duas situações: a primeira é quando existe um volume muito grande de dados que estão distribuídos esparsamente e sabe-se à priori que foram afetados por ruídos grosseiros; a segunda situação é que nem sempre é possível obter um volume razoável de medidas, pois dependendo das aplicações uma medida pode ter um alto custo. Por exemplo, em algumas aplicações médicas, como em doenças raras, a quantidade de casos é pequena e conseqüentemente, a qualidade das amostras obtidas deve ser a melhor possível. Já em problemas de classificação de imagens de sensores remotos, em muitos casos encontramos imagens classificadas por um especialista que muitas das
2 vezes não corresponde à área total da imagem. Logo, para conseguir uma validação do classificador com os dados reais, tem-se que reduzir a dimensão de centenas de pixels do classificador para dezenas que foram classificados pelo especialista, o que leva a necessidade de seleção de amostras que melhor representariam a classe destes pixels. 2. ALGORITMO GENÉTICO Nesta seção além de um breve resumo do Algoritmo genético padrão, vai destacar a utilização de cada técnica no proeto. Os princípios da natureza nos quais os GAs se inspiram são imitados na construção de algoritmos computacionais que buscam uma melhor solução para um determinado problema, através da evolução de populações de soluções codificadas através de cromossomas artificiais. Em GAs um cromossoma é uma estrutura de dados que representa uma das possíveis soluções do espaço de busca do problema. Cromossomas são então submetidos a um processo evolucionário que envolve avaliação, seleção, recombinação sexual (crossover) e mutação. Após vários ciclos de evolução a população deverá conter indivíduos mais aptos. Para o problema de seleção de amostras temos claramente um problema de otimização, pois deseamos selecionar um conunto n de amostras sobre um conunto m de dados. Isso nos leva a seguinte formula, S m! ( m n)! n! = (1) Um processo de busca exaustiva para este caso é inviável, tem alguns algoritmos sub-ótimos que fazem está busca como, por exemplo Selection Backward Selection (SBS) que inicialmente seleciona todos os elementos e depois elimina um a um até encontrar o número deseado de elementos. Para o GA construído utilizamos uma técnica de STEADY STATE, visto a natureza do problema não foi necessário eliminar dados duplicados, pois a probabilidade desta ocorrência era mínima. Em todos os experimentos utilizamos o mesmo tamanho de população e o mesmo total de indivíduos FUNÇÃO DE AVALIAÇÃO Para este problema em particular usamos como função de avaliação a distância de Jeffries-Matusita, chamada JM. Esta função é uma fórmula de calcular a distância entre duas distribuições. A função JM de distribuição entre w i e w é definida por: φ JM i = 2(1 e ) (2) 1 T = ( µ i µ ) ( µ i µ ) + Φ 8 1 Ci + C 1 Φ = ln 2 2 Ci + C φ (3) (4) Onde i e são duas distribuições, C i e C são a matriz de covariância de i e respectivamente e, µ i e µ são as médias de cada distribuição. A função JM tem limite superior de 2 (1.41) e limite inferior zero. Quando a função retorna um valor próximo ao limite superior é porque as distribuições estão próximas e, quando ela retorna ao valor próximo ao limite inferior é porque elas estão totalmente separadas. Portanto o algoritmo genético vai procurar maximizar a função JM para com isso ter uma boa estimativa da distribuição, com menor quantidade de dados REPRESENTAÇÃO Para o problema de seleção de amostras trabalhamos com dados no espaço R N, e para ganho de performance optamos por criar indivíduos com cromossomas sendo números reais que representem os índices de cada amostra na base de dados. O cromossoma representa uma distribuição de pontos de uma classe. Considerando n o tamanho do cromossoma e m a quantidade de amostras, temos: x 1 x 2 x 3... x n Para: 1 < x 1, x 2, x 3.., x n < m 2.3. OPERADORES
3 Os Operadores genéticos implementados e utilizados neste GA foram operadores de recombinação (crossover) e operadores de mutação MUTAÇÃO A mutação adotada foi de sortear para cada gene do cromossomo um valor aleatório entre os índices possíveis da base de dados adotada CROSSOVER Utilizamos o CrossOver de dois pontos que executa a recombinação de dois indivíduos a partir de dois pontos escolhidos aleatoriamente. Foi adotado pois este operador é capaz de combinar todos os padrões de dois genitores. Padrão 1 X 0 X 0 X X X 1 X X X X 1 P P pontos de corte P P F F SIMULAÇÃO E RESULTADOS nearest prototypes classification with anealing para classificar um banco de dados de letras da UCI Machine Learning repository. O banco foi gerado a partir de um grande númeo de pixels retangulares pretos e brancos que representam as vinte e seis letras do alfabeto dos EUA, letras que foram obtidas de vinte fontes diferentes e aleatoriamente distorcidas. Cada pixel foi convertido em dezesseis atributos numéricos baseados em momento e na quantidade de bordas, em um total de vinte mil amostras. Para este caso usamos o algoritmo genético para reduzir em 50% o tamanho do banco de dados e testamos o erro de classificação obtido. Para o processo de classificação usamos como referência a classificação real com todas as amostras, a classificação com 50% das amostras selecionadas aleatoriamente e os 50% selecionados através do algoritmos genético EXPERIMENTO NUMÉRICO Para o primeiro experimento foi gerada uma distribuição multivariada com µ=[1 1] e σ= [2 1.5;1.5 2]. Para esta distribuição foram criados 120 pontos e, utilizado um cromossomo de tamanho vinte. Para este experimento procuramos avaliar o quanto era bom a estimativa do algoritmo genético, para isto, acrescentamos 20% de ruído aos pontos sorteados aleatoriamente. Este ruído foi a multiplicação por um fator α (α=0..09). Para este algoritmo genético usou-se uma taxa de crossover de 85%, taxa de mutação de 0.8% e um GAP de 40. Com o resultado final obtido através da média de 30 experimentos. Verificou-se que nos melhores indivíduos apresentaram um média de quatro elementos que foram afetados pelo ruído, e o melhor indivíduo apresentou avaliação de Para validar o algoritmo genético construído foram realizados dois experimentos com dados sintéticos e reais onde buscamos comprovar a eficiência do GA usando como função de avaliação a distância de JM, que considera a covariância das distribuições e suas médias para selecionar amostras de uma base de dados. No primeiro experimento usamos somente uma distribuição para avaliar a qualidade do GA em eliminar ruídos da amostra. No segundo experimento utilizamos uma base de dados real, usando como classificador o algoritmo de soft
4 Gráfico com a Média dos Experimentos por Gerações Desempenho da Letra A gráfico com a média dos 20 experimentos Gráfico de desempenho da melhor indivíduo por Gerações 3.2. SNPC-AM É um classificador baseado na distância das amostras aos protótipos, onde usa-se uma função de custo baseado na probabilidade da amostra pertencer a cada protótipo, atualizando de forma a bonificar as amostras corretamente classificadas atraindo-se os protótipos em sua direção e, afastando os protótipos que não pertencem a esta classe. O processo de annealing é a busca por uma anela que forneça a melhor fronteira de decisão, ou sea, forneça o menor erro de classificação. Para isto, determina-se uma faixa de valores onde se procura a variância que minimize este erro. Para este experimento usou-se σ ini = 2 e σ fim = 0.5, variando-se a quantidade de protótipos por classe de um até dez, usando 50% dos dados selecionados pelo GA para treinamento e 20% para o total de dados para classificação. No GA utilizamos taxas de mutação igual a 2%, taxa de crossover 85%, GAP de 30, tamanho da população igual a 100 e cromossoma com tamanho 150 para 30 gerações. Calculou-se a média dos trinta experimentos, rodando o GA para cada letra do alfabeto. gráfico com o melhor individuo da população da Letra A Gráfico da taxa de erro pela quantidade de protótipos por classe, em azul temos o resultado das amostras escolhidas pelo GA, em vermelho a mesma quantidade de amostras, mas selecionadas aleatoriamente e em verde o resultado de todo o banco de dados. Erro médio: Técnica Erro Seleção pelo GA 0,4450 Seleção Aleatória 0,5508 Toda a base 0,4888
5 A média de erro de classificação após a seleção de amostras se demonstrou superior a utilização de todos os padrões o que é um bom sinal considerando a redução da dimensão em 75% de dados e esteve consideravelmente acima das escolhas aleatórias para a mesma quantidade de dados. samples for multispectral image classification, DEE PUC-RJ [5] Pacheco, Marco Aurérilo, Algoritmos Genéticos Princípios e Aplicações, ICA PUC-RIO. [6] Jonathan Milton, Pacheco Marco Aurélio Cavalcanti, Técnicas de Otimização de Problemas com Múltiplos Obetivos, ICA PUC-RIO. 4. CONCLUSÃO Os experimentos realizados demonstraram a boa qualidade da estimativa obtida pelo algoritmo genético utilizando a distância JM como avaliação. Os resultados com amostras afetadas com ruído demonstraram um ótimo desempenho, á o processo de seleção de amostras não apresentou um ganho considerável, o que nos leva a considerar outros trabalhos que possamos acrescentar informações a mais, ao invés de considerar simplesmente a distribuição das classes, e que possam agregar informações de outras distribuições. A função utilizada não levou em consideração como estavam distribuídas as outras classes do problema, o que também é uma informação muito importante. Para os obetivos deseados o algoritmo genético teve ótimo comportamento se demonstrando bastante eficiente na tarefa de otimização das distribuições aplicadas em classificação de problemas supervisionados. 5. REFERÊNCIAS [1] R.O. Duda and P.E. Hart. Pattern Classification and Scene Analysis,. New York: Wiley, [2] Papdopoulos Georgios, Edwards Peter, and Murray Allan., Confidence Estimation for Neural Networks A Pratctical Comparison, IEEE Transactions on Neural Networks, Vol. 12, No. 6, Novembro [3] Seo Sambu, Bode Mathias, and Obermayer Klaus, Soft Nearest Prototypes Classification, IEEE Transactions on Neural Networks, Vol. 14, No. 2, Março [4] Cazes T.B, Feitosa RQ, Mota G.L.A., Automatic selection of training
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia mais3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Leia maisInteligência Artificial. Algoritmos Genéticos. Aula I Introdução
Universidade Estadual do Oeste do Paraná Curso de Bacharelado em Ciência da Computação Inteligência Artificial Algoritmos Genéticos Aula I Introdução Roteiro Introdução Computação Evolutiva Algoritmos
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisINSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO
INSTITUTO DE PÓS GRADUAÇÃO ICPG GESTÃO DA TECNOLOGIA DA INFORMAÇÃO Prof. Msc. Saulo Popov Zambiasi (saulopz@gmail.com) Informação - ICPG - Criciuma - SC 1 Características Gerais, operadores, algoritmo.
Leia maisAnálise Comparativa entre FastICA por Maximização da Negentropia e AG-ICA usando Negentropia de Rényi
Análise Comparativa entre FastICA por Maximização da Negentropia e AG-ICA usando Negentropia de Rényi Nielsen Castelo Damasceno 1, Adrião Duarte Dória Neto 1, Allan de Medeiros Martins 1 1 Centro de Técnologia
Leia maisPlanejamento Hidrotérmico Utilizando Algoritmos Genéticos
1 Planejamento Hidrotérmico Utilizando Algoritmos Genéticos Thayse Cristina Trajano da Silva Pontifícia Universidade Católica Puc-Rio Engenharia Elétrica Rio de Janeiro RJ Brasil Resumo O planejamento
Leia mais6 Estudos de Casos Porta Lógica OU de 4 Entradas
6 Estudos de Casos Com o objetivo de avaliar a síntese automática de circuitos de QCA usando técnicas de Hardware Evolucionário (EHW), alguns circuitos foram sintetizados e serão apresentados a seguir.
Leia maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
Leia maisMetahuerísticas: Algoritmos Genéticos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Metahuerísticas: Algoritmos Genéticos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 8) Meta-heurísticas Classificação de métodos heurísticos: os métodos
Leia maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e
Leia maisAlgoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Tópicos 1. Seleção de atributos 2. Redução de
Leia maisInteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Leia maisAlgoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
Leia maisProf. Marco Aurélio C. Pacheco. 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros
Desenvolvimento de um Algoritmo Genético Prof. Marco Aurélio C. Pacheco 1 Componentes de um Algoritmo Genético 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros
Leia maisGA Conceitos Básicos. Capítulo 3 Prof. Ricardo Linden
GA Conceitos Básicos Capítulo 3 Prof. Ricardo Linden Algoritmos Evolucionários Algoritmos evolucionários usam modelos computacionais dos processos naturais de evolução como uma ferramenta para resolver
Leia maisGAs são indicados em problemas complexos de otimização- onde se busca uma solução melhor:
Componentes de um Algoritmo Genético 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros 1. PROBLEMA GAs são indicados em problemas complexos de otimização-
Leia mais4 Implementação Computacional
4 Implementação Computacional 4.1. Introdução Neste capítulo é apresentada a formulação matemática do problema de otimização da disposição das linhas de ancoragem para minimizar os deslocamentos (offsets)
Leia maisGAs são indicados em problemas complexos de otimização- onde se busca uma solução melhor:
Componentes de um Algoritmo Genético 1. Problema 2. Representação 3. Decodificação 4. Avaliação 5. Operadores 6. Técnicas 7. Parâmetros 1. PROBLEMA GAs são indicados em problemas complexos de otimização-
Leia maisAlgoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Leia maisUm Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
Leia maisOtimização com Algoritmos Genéticos no MATLAB. Prof. Rafael Saraiva Campos CEFET-RJ
Otimização com Algoritmos Genéticos no MATLAB Prof. Rafael Saraiva Campos CEFET-RJ Conteúdo do Mini-Curso PARTE 1 Teoria PARTE 2 Prática Conteúdo do Mini-Curso PARTE 1 Teoria 1.1. Conceitos Básicos de
Leia mais3 Otimização Evolucionária de Problemas com Restrição
3 Otimização Evolucionária de Problemas com Restrição 3.1. Introdução Este capítulo resume os principais conceitos sobre os algoritmos evolucionários empregados nesta dissertação. Primeiramente, se fornece
Leia maisMax Pereira. Inteligência Artificial
Max Pereira Inteligência Artificial Algoritmos Genéticos Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora da teoria da evolução das espécies iniciada pelo Naturalista inglês Charles
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Roteiro Introdução Algoritmos Genéticos Otimização Representação Seleção Operadores Genéticos Aplicação Caixeiro Viajante Introdução Algoritmos Genéticos (AGs), são métodos de otimização
Leia maisMétodo de Hardy-Cross Capitulo 13- Algoritmo genético engenheiro Plínio Tomaz 24 dezembro de Algoritmo genético 13-1
1 Algoritmo genético 13-1 2 Capítulo 13-Algoritmo genético 13.1 Introdução As tecnologias recentes para dimensionamento de redes de água são: Algoritmo genético Programação Dinâmica Decision Support System
Leia maisMétodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Leia maisAlgoritmos Genéticos. Texto base: Stuart Russel e Peter Norving - Inteligência Artificial
Algoritmos Genéticos Texto base: Stuart Russel e Peter Norving - Inteligência Artificial junho/2007 Algoritmo Genético Uma variante da busca em feixe estocástica Estado sucessor gerado pela combinação
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisTécnicas de Inteligência Artificial
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 9 Algoritmos Genéticos Max Pereira Algoritmos Genéticos São técnicas de busca e otimização. Uma metáfora
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisAPLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
Leia mais2 Uma Proposta para Seleção de Dados em Modelos LVQ
2 Uma Proposta para Seleção de Dados em Modelos LVQ Abordagens diferentes têm sido encontradas na literatura para seleção de dados. Entretanto, todas as técnicas buscam de fato o mesmo objetivo, seleção
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
Leia maisInteligência Computacional Aplicada. O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos
Inteligência Computacional Aplicada Resumo O que é Inteligência Computacional? Áreas de Aplicação Algoritmos Genéticos O que é Inteligência Computacional? Técnicas e sistemas computacionais que imitam
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Introdução + Estudo de Caso Introdução Percepção de máquina Um
Leia maisAlgoritmos genéticos Abordagem unificada de algoritmos evolutivos simples
Introdução Inspiração biológica Histórico da computação evolutiva Algoritmo evolutivo simples Programação evolutiva Estratégias evolutivas Algoritmos genéticos Abordagem unificada de algoritmos evolutivos
Leia maisClustering (k-means, SOM e hierárquicos)
Clustering (k-means, SOM e hierárquicos) André Tavares da Silva andre.silva@udesc.br (Capítulo 10 de Duda e Hart) Clustering Introdução e tipos Roteiro Agrupamentos hierárquicos AGNES, DIANA e Dendogram
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 06 Algoritmos Genéticos Edirlei Soares de Lima Algoritmos Genéticos Método de busca local. Boa abordagem para lidar com espaços de busca muito
Leia maisResumo. Como um agente busca de seqüência de ações para alcançar seus objetivos.
Resumo Inteligência Artificial Russel e Norvig Capítulos 3,4 e 5 Prof. MsC Ly Freitas UEG Resolução de problemas por meio de busca Como um agente busca de seqüência de ações para alcançar seus objetivos.
Leia mais1 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação Estar imune aos riscos que existem no mercado financeiro, reduzindo ou mesmo eliminando as possíveis perdas, é o desejo de qualquer investidor. Desta forma, todo investidor
Leia maisSeleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisIntrodução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisMetodologia Aplicada a Computação.
Metodologia Aplicada a Computação gaudenciothais@gmail.com Pré-processamento de dados Técnicas utilizadas para melhorar a qualidade dos dados; Eliminam ou minimizam os problemas como ruídos, valores incorretos,
Leia maisChristopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006 capítulo 14
Combinação de modelos Christopher Bishop, Pattern Recognition and Machine Learning, Springer, 2006 capítulo 4 Motivação Habitualmente, experimenta-se vários algoritmos (ou o mesmo com diferentes hiperparâmetros)
Leia maisALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA Igor Acassio Melo
Leia maisDCBD. Avaliação de modelos. Métricas para avaliação de desempenho. Avaliação de modelos. Métricas para avaliação de desempenho...
DCBD Métricas para avaliação de desempenho Como avaliar o desempenho de um modelo? Métodos para avaliação de desempenho Como obter estimativas confiáveis? Métodos para comparação de modelos Como comparar
Leia maisESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS
ESTUDO COMPARATIVO DOS MÉTODOS DE APTIDÃO PARA PROBLEMAS COM MÚLTIPLOS OBJETIVOS Laercio Brito Gonçalves, Marco Aurélio Cavalcante Pacheco ICA: Núcleo de Pesquisa em Inteligência Computacional Aplicada
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 13 K-Nearest Neighbor (KNN) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisUm Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid
1 Um Algoritmo Genético com Aprendizado por Reforço Simples aplicado ao problema do Mundo de Grid Luciana Conceição Dias Campos Resumo Este trabalho consiste da aplicação de um algoritmo genético ao método
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 01 Computação Evolucionária Max Pereira Motivação Se há uma multiplicidade impressionante de algoritmos para solução de problemas,
Leia maisMétodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
Leia maisALGORITMOS GENÉTICOS. Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR
ALGORITMOS GENÉTICOS Adair Santa Catarina Curso de Ciência da Computação Unioeste Campus de Cascavel PR Fev/2018 Introdução Algoritmos Genéticos são algoritmos heurísticos de busca, que utilizam regras
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 09 Árvores de Decisão Max Pereira Classificação É a tarefa de organizar objetos em uma entre diversas categorias pré-definidas. Exemplos
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 04 Algoritmos Genéticos Introdução Algoritmos genéticos são bons para abordar espaços de buscas muito grandes e navegálos
Leia mais2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisModelos Evolucionários e Tratamento de Incertezas
Ciência da Computação Modelos Evolucionários e Tratamento de Incertezas Aula 04 Representações e Programação Genética Max Pereira Representações A representação cromossômica é completamente arbitrária.
Leia maisUtilizando Algoritmos Genéticos para determinar a fonte de um campo magnético.
Technical Notes in Computational Intelligence, ICA, PUC-Rio 1 Utilizando Algoritmos Genéticos para determinar a fonte de um campo magnético. Alexandre S. Wolf 1, Marco Aurélio C. Pacheco 1, C. Hall Barbosa
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 03 / Detecção de Sinais Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal
Leia maisIMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Leia mais7 Seleção de Atributos
7 Seleção de Atributos Diferentes abordagens são usadas para criar novos atributos que ajudem a classificar o sentimento. Porém, pouca ênfase tem sido dada a técnicas de seleção desses atributos. Wiebe
Leia maisTópicos Especiais em Informática Fatec Indaiatuba
Prof. Dilermando Piva Jr. ((Compilação de diversas fontes na Internet)) Principal motivação para o estudo da computação evolutiva Otimização de processos complexo e que possuem um grande número de variáveis
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisAprendizado de Máquina
Aprendizado de Máquina Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Introdução 1 Introdução Aprendizado de Máquina Extração de conhecimento. Automatização de tarefas. Tomada de Decisões.
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisComputação Bioinspirada: Aplicações
Computação Bioinspirada: Aplicações Prof. Eduardo do Valle Simões Grupo de Sistemas Embarcados e Evolutivos LCR Laboratório de Computação Reconfigurável Departamento de Sistemas de Computação Projeto de
Leia maisAprendizado de Máquinas. Seleção de Características
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Seleção de Características David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução Um dos principais aspectos na construção de um
Leia mais5 Modelo Kernel PCA Genético para Ajuste de Histórico
5 Modelo Kernel PCA Genético para Ajuste de Histórico Conforme descrito na seção 3.2.2.2.1, em um estudo anterior, Sarma, Durlofsky, et al. (2007) parametrizaram o campo de permeabilidade através do Kernel
Leia mais4 Otimização de parâmetros dos arranjos gerados
4 Otimização de parâmetros dos arranjos gerados Nem sempre o algoritmo escolhido para a realização de uma etapa do projeto retorna aquilo que exatamente seria necessário para a etapa seguinte. Em tais
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Leia maisAlgoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
Leia maisUm Estudo Empírico de Hiper-Heurísticas
Flávio Soares Corrêa da Silva (Orientador) Instituto de Matemática e Estatística Universidade de São Paulo Julho de 2007 Definição de Hiper-Heurística Para Que Servem Dois Exemplos Definição Uma hiper-heurística
Leia maisFigura 4.1: Módulos que compõe o sistema de otimização do OCTOPUS
4 Modelo de Solução O plano de drenagem de um determinado campo de petróleo é construído a partir de algumas informações prévias, como por exemplo, a composição geológica do campo. A partir dessa informação
Leia maisF- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
Leia maisAlgoritmos Genéticos 1
Algoritmos Genéticos 1 Esquema de um GA Algoritmos Genéticos são um ramo da computação evolucionária Seu funcionamento pode ser resumido algoritimicamente através dos seguintes passos: Inicialize a população
Leia maisConstrução de uma Ferramenta para Evoluir Estratégias e Estudar a Agressividade/Cooperação de uma População submetida ao Dilema dos Prisioneiros
Construção de uma Ferramenta para Evoluir Estratégias e Estudar a Agressividade/Cooperação de uma População submetida ao Dilema dos Prisioneiros generalizá-lo para várias outras situações, como em problemas
Leia maisCOMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO E A FUNÇÃO SOLVER
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ARTES, CIÊNCIAS E HUMANIDADES SISTEMAS DE INFORMAÇÃO COMPOSIÇÃO DE UMA CARTEIRA DE AÇÕES COM RISCO MÍNIMO E RETORNO ESPECIFICADO: UM ESTUDO UTILIZANDO ALGORITMO GENÉTICO
Leia mais4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos
46 4 Modelos Propostos para Otimização de Planejamentos com Restrições de Precedência 4.1 Representação com Algoritmos Genéticos Para definir a representação de um modelo para problemas de planejamento
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisAprendizagem de Máquina
Plano de Aula Aprendizagem de Máquina Bagging,, Support Vector Machines e Combinação de Classificadores Alessandro L. Koerich Uma visão geral de diversos tópicos relacionados à Aprendizagem de Máquina:
Leia maisAlgoritmos Genéticos
Algoritmos Genéticos Introdução Um Algoritmo Genético (AG), conceitualmente, segue passos inspirados no processo biológico de evolução natural segundo a teoria de Darwin Algoritmos Genéticos seguem a idéia
Leia mais