Extração de conhecimento simbólico em técnicas de aprendizado de máquina caixa-preta por similaridade de rankings

Autor(es)

Rodrigo Elias Bianchi

• Tipo de documento: Tese de Doutorado
• Imprenta: São Carlos.
• Instituição: Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC/SB)
• Data de defesa: 2008-09-26

Membros da banca

André Carlos Ponce de Leon Ferreira de Carvalho; Francisco Javier Ramirez Fernandez; Zhao Liang; Pedro Paulo Balbi de Oliveira; Ivan Nunes da Silva

• Orientador: André Carlos Ponce de Leon Ferreira de Carvalho; Maria Cristina Ferreira de Oliveira

Resumo

Técnicas de Aprendizado de Máquina não-simbólicas, como Redes Neurais Artificiais, Máquinas de Vetores de Suporte e combinação de classificadores têm mostrado um bom desempenho quando utilizadas para análise de dados. A grande limitação dessas técnicas é a falta de compreensibilidade do conhecimento armazenado em suas estruturas internas. Esta Tese apresenta uma pesquisa realizada sobre métodos de extração de representações compreensíveis do conhecimento armazenado nas estruturas internas dessas técnicas não-simbólicas, aqui chamadas de caixa preta, durante seu processo de aprendizado. A principal contribuição desse trabalho é a proposta de um novo método pedagógico para extração de regras que expliquem o processo de classificação seguido por técnicas não-simbólicas. Esse novo método é baseado na otimização (maximização) da similaridade entre rankings de classificação produzidos por técnicas de Aprendizado de Máquina simbólicas e não simbólicas (de onde o conhecimento interno esta sendo extraído). Experimentos foram realizados com vários conjuntos de dados e os resultados obtidos sugerem um bom potencial para o método proposto (AU)

• Processo FAPESP: 03/00099-5 - Extração de representações de conhecimento compreensíveis para métodos de aprendizado de máquina não-simbólicos na análise de dados biológicos
• Beneficiário: Rodrigo Elias Bianchi
• Modalidade de apoio: Bolsas no Brasil - Doutorado