$$\newcommand{\bra}[1]{\left<#1\right|}\newcommand{\ket}[1]{\left|#1\right>}\newcommand{\bk}[2]{\left<#1\middle|#2\right>}\newcommand{\bke}[3]{\left<#1\middle|#2\middle|#3\right>}$$
INFORMAÇÕES SOBRE DIREITOS AUTORAIS


As obras disponibilizadas nesta Biblioteca Digital foram publicadas sob expressa autorização dos respectivos autores, em conformidade com a Lei 9610/98.

A consulta aos textos, permitida por seus respectivos autores, é livre, bem como a impressão de trechos ou de um exemplar completo exclusivamente para uso próprio. Não são permitidas a impressão e a reprodução de obras completas com qualquer outra finalidade que não o uso próprio de quem imprime.

A reprodução de pequenos trechos, na forma de citações em trabalhos de terceiros que não o próprio autor do texto consultado,é permitida, na medida justificada para a compreeensão da citação e mediante a informação, junto à citação, do nome do autor do texto original, bem como da fonte da pesquisa.

A violação de direitos autorais é passível de sanções civis e penais.
Coleção Digital

Avançada


Formato DC|



Título: INTELIGÊNCIA COMPUTACIONAL APLICADA EM MACHINE LEARNING
Instituição: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO - PUC-RIO
Autor(es): IVO LIMA BRASIL JUNIOR

Colaborador(es):  MARCO AURELIO CAVALCANTI PACHECO - Orientador
Número do Conteúdo: 7293
Catalogação:  18/10/2005 Idioma(s):  PORTUGUÊS - BRASIL

Tipo:  TEXTO Subtipo:  TESE
Natureza:  PUBLICAÇÃO ACADÊMICA
Nota:  Todos os dados constantes dos documentos são de inteira responsabilidade de seus autores. Os dados utilizados nas descrições dos documentos estão em conformidade com os sistemas da administração da PUC-Rio.
Referência [pt]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7293@1
Referência [en]:  https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7293@2
Referência DOI:  https://doi.org/10.17771/PUCRio.acad.7293

Resumo:
Esta dìssertação investiga o emprego e o desempenho da Inteligência Computacional em Machine Learning. De modo particular, pesquisou-se a aplicação dos mecanismos e estruturas na biologia e natureza, presentes nas técnica inteligentes (Redes Neurais, Algoritmos Genéticos e Lógica Nebulosa) na construção de algoritmos que codificam mecanismos indutivos em Machine Learning. O trabalho foi desenvolvido em 4 etapas principais: um estudo bibliográfico da área de Machine Learning e modelagem e desenvolvimento de três sistemas demonstrativos da aplicação de Inteligência Computacional em Machine Learning: Redes Neurais TD(gama) no aprendizado do jogo de Gamão, Algoritmos Genéticos na evolução do controle de um robô autônomo, e Lógica Nebulosa para controle de robôs. O estudo bibliográfico envolveu a busca, tendo como principal veículo inicial a Internet, de literatura referente às áreas de Machine Learning e de Inteligência Computacional. Foram pesquisados livros especializados da área, e também artigos técnicos envolvendo os temas abordados nesta dissertação. Este levantamento bibliográfico resultou no resumo dos principais projetos na área de Machine Learning, apresentado no capítulo 2. A modelagem de um sistema de aprendizado do jogo de gamão por Redes Neurais envolveu o estudo e implementação de um método de Reinforcement Learning denominado TD(gama), que opera através do princípio de tentativa e erro, recompensado ações que trazem um bom resultado. O jogo de Gamão foi escolhido pelo seu vastíssimo número de prováveis situações a serem encontradas durante o jogo, consequência do fator estocástico (dados) inerente ao jogo, tornando uma abordagem tradicional muito difícil e até mesmo ineficiente. A evolução do controle de robôs por Algoritmos Genéticos, é inspirada na evolução de um padrão de comportamento exemplificada no capítulo 2 pelo dilema dos prisioneiros. Através da codificação em um cromossoma das variáveis que descrevem o ambiente onde o robô está inserido, foi possível evoluir um padrão de atuação diante da situação presente a cada instante, de forma a atingir um objetivo especificado de forma ótima, ou sub-ótima. O controle de robôs por Lógica Nebulosa demonstra o potencial desta técnica para problemas de controle, codificando através de regras imprecisas que assemelham-se à forma humana de armazenar e transmitir conhecimento, o comportamento que o robô deve ter frente a cada situação encontrada em seu ambiente. Os resultados apresentados demonstram o potencial de utilização das técnicas da Inteligência Computacional, inspiradas na biologia e na natureza, na área de Machine Learning, mostrando através dos exemplos implementados a capacidade de aquisição de conhecimento por experiência, através de mecanismos indutivos, ao invés de codificar explicitamente soluções específicas para os problemas apresentados.

Descrição Arquivo
NA ÍNTEGRA  PDF  
Agora você pode usar seu login do SAU no Maxwell!!
Fechar Janela



* Esqueceu a senha:
Senha SAU, clique aqui
Senha Maxwell, clique aqui