Aprendizado de máquina: a partir da Teoria do Aprendizado Estatístico e aplicação em redes neurais

• Autor(a) principal: Mauhnoom, Yeonatan
• Data de Publicação: 2024
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• Texto Completo: https://app.uff.br/riuff/handle/1/33688
• topic: Aprendizado de máquinas; Aprendizado supervisionado; Minimização do risco empírico; Dimensão VC; Perceptron multicamadas; Ciência da computação; Estatística; Machine learning; Supervised learning; Empirical risk minimization; VC dimension; Multilayer perceptron

Teoria de Aprendizado Estatístico (TAE) permite uma abordagem do estudo do problema de aprendizado de máquina a partir de uma fundamentação matemática que utiliza conhecimentos da teoria da Probabilidade e Estatística. Ela fornece uma base teórica para entender o desempenho de vários algoritmos e modelos de aprendizado de máquina, bem como para desenvolver novos algoritmos e modelos capazes de aprender a partir de dados de maneira estatisticamente sólida. Neste trabalho abordamos os principais conceitos do Aprendizado de Máquina de uma perspectiva da Teoria de Aprendizado Estatístico. E realizamos um estudo aplicado em algoritmos de redes neurais dos tipos perceptron e perceptron multicamadas. No seu cerne, a Teoria do Aprendizado Estatístico está preocupada com o problema da generalização, que é a capacidade de um algoritmo de aprendizado de máquina fazer previsões precisas em novos dados não vistos com base em padrões aprendidos a partir de um conjunto finito de dados de treinamento. Visando desenvolver métodos que possam alcançar um bom desempenho de generalização, mesmo quando o número de exemplos de treinamento é limitado e os dados são ruidosos ou complexos. O objetivo deste trabalho, é a partir da formulação matemática e estatística fornecida pelas ferramentas da TAE, como as cotas probabilísticas de Hoeffdings e Chernoff e a Lei dos Grandes Números , provar resultados que garantem a consistência e desempenho de um algoritmo de aprendizado supervisionado e, posteriormente, implementar e testar um dos principais modelos desse tipo de algoritmo: as redes neurais Perceptron Multicamadas ou Multilayer Perceptron (MLP) em problemas de classificação