This website uses cookies so that we can provide you with the best user experience possible. Cookie information is stored in your browser and performs functions such as recognising you when you return to our website and helping our team to understand which sections of the website you find most interesting and useful.
Detalhes da Produção
Tipo | Participação em Banca de Doutorado |
Grupo | Banca Julgadora |
Descrição | Participação em banca de Sandro da Silva Camargo. Um Modelo Neural de Aprimoramento Progressivo para Redução de Dimensionalidade. 2010. Tese (Doutorado em Computação) - Universidade Federal do Rio Grande do Sul. |
Autor | Hercules Antonio do Prado |
Ano | 2010 |
Informações Complementares
Ano | 2010 |
Código do Curso | 42000041 |
Código Instituição | 019200000005 |
Descricão e Informacões Adicionais | Recentes avanços em tecnologias de geração, coleta e armazenamento de dados têm contribuído para aumentar o tamanho dos bancos de dados nas diversas áreas de conhecimento. Este aumento verifica-se não somente em relação à quantidade de amostras, mas principalmente em relação à dimensionalidade, ou seja, a quantidade de características descrevendo cada amostra. A adição de características causa acréscimo de dimensões no espaço matemático, conduzindo ao crescimento exponencial do hipervolume dos dados, problema denominado ?maldição da dimensionalidade?. A maldição da dimensionalidade tem sido um problema rotineiro para cientistas que, a fim de compreender e explicar determinados fenômenos, têm se deparado com a necessidade de encontrar estruturas significativas ocultas, de baixa dimensão, dentro de observações de alta dimensão. Este processo denomina-se redução de dimensionalidade dos dados (RDD). Do ponto de vista computacional, a conseqüência natural da RDD é uma diminuição do espaço de busca de hipóteses, melhorando o desempenho e simplificando os resultados da modelagem de conhecimento em sistemas autônomos de aprendizado. Dentre as técnicas utilizadas atualmente em sistemas autônomos de aprendizado, redes neurais artificiais (RNAs) têm se tornado particularmente atrativas para modelagem de sistemas complexos, quando a modelagem é difícil ou quando a dinâmica do sistema não permite o controle on-line. Apesar de serem uma poderosa ferramenta, as RNAs têm seu desempenho afetado pela maldição da dimensionalidade. Quando a dimensão do espaço de entradas é alta, as RNAs podem utilizar boa parte de seus recursos para representar porções irrelevantes do espaço de entradas, dificultando o aprendizado. Embora as RNAs, assim como outras técnicas de aprendizado de máquina, consigam identificar características mais informativas para um processo de modelagem, a utilização de técnicas de RDD frequentemente melhora os resultados do aprendizado. Este trabalho propõe |
Idioma | Português |
Natureza | Doutorado |
Nome da Instituição | Universidade Federal do Rio Grande do Sul |
Nome do Candidato | Sandro da Silva Camargo |
Nome do Curso | Computação |
Nome do Curso(en) | Computer Science |
País | Brasil |
Título | Um Modelo Neural de Aprimoramento Progressivo para Redução de Dimensionalidade |