[en] COMPUTATIONAL INTELLIGENCE APLPLIED IN THE FIELD OF MACHINE LEARNING

• Autor(a) principal: IVO LIMA BRASIL JUNIOR
• Data de Publicação: 2005
• Tipo de documento: Outros
• Idioma: por
• Título da fonte: Repositório Institucional da PUC-RIO (Projeto Maxwell)
• Texto Completo: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7293@1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=7293@2; http://doi.org/10.17771/PUCRio.acad.7293
• topic: [pt] REDE NEURAL; [pt] APRENDIZADO DE COMPUTADOR; [pt] LOGICA FUZZY; [pt] ALGORITMO GENETICO; [en] NEURAL NETWORKS; [en] LEARNING FOR COMPUTER; [en] FUZZY LOGIC; [en] GENETIC ALGORITHM

[pt] 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.