Diferentes abordagens para o aprendizado da rede neural artificial multilayer perceptron

Detalhes bibliográficos
Autor(a) principal: Zavadzki, Suellen Teixeira, 1984-
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: https://hdl.handle.net/1884/66679
Resumo: Orientadora: Profa. Dra.Mariana Kleina
id UFPR_94e03b64ffa5525978ec629d732d677f
oai_identifier_str oai:acervodigital.ufpr.br:1884/66679
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Zavadzki, Suellen Teixeira, 1984-Kleina, Mariana, 1988-Bonat, Wagner Hugo, 1985-Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Produção2021-05-28T19:04:20Z2021-05-28T19:04:20Z2020https://hdl.handle.net/1884/66679Orientadora: Profa. Dra.Mariana KleinaCoorientador: Prof. Dr. Wagner Hugo BonatDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia de Produção. Defesa : Curitiba, 27/02/2020Inclui referências: p.94-96Resumo: A área de Machine Learning tem ganhado destaque nos últimos tempos e as redes neurais artificiais estão entre as técnicas mais populares neste campo. Tais técnicas possuem a capacidade de aprendizado que ocorre no processo iterativo dos ajustes dos parâmetros. No presente trabalho, foram avaliadas diferentes abordagens para o aprendizado da rede neural Multilayer Perceptron (MLP), cuja arquitetura constitui-se das camadas de entrada, ocultas e de saída. As funções de ativação utilizadas para este estudo foram a sigmóide logística na camada oculta e a identidade para a de saída. Buscou-se compreender o aprendizado da rede inicialmente com dados simulados de uma estrutura de MLP, em que três algoritmos convencionais obtidos no pacote neuralnet do software R foram aplicados para a estimação dos parâmetros. Também foi feita a estimação via inferência Bayesiana e, ao final, uma nova proposta de aprendizado foi aplicada, a qual utiliza do ranking do Score Information Criteria (SIC) como ideia principal, para esta abordagem o algoritmo simulated annealing (SA) juntamente com a regressão linear são utilizados para a etapa de otimização. As mesmas técnicas também foram utilizadas para previsão em dois estudos de caso, sendo eles a previsão do preço de petróleo WTI e a previsão de exportação de produtos alimentícios, cuja unidade dos dados está em milhões de US$. A técnica proposta mostrou-se eficiente no modelo de séries temporais do petróleo, com acertividade compatível com a de técnicas tradicionais. O principal ganho está na simplicidade do modelo, com uma redução considerável no número de parâmetros. Palavras-chave: Inteligência Computacional. Redes Neurais Artificiais. Algoritmos de aprendizado. Score Information Criteria.Abstract: The Machine Learning area has been gaining more attention and artificial neural networks are among the most well known techniques in this research area. Such techniques have the learning capacity that occurs in the iterative process of parameter adjustments. This paper evaluated different approaches for learning the Multilayer Perceptron (MLP) neural network, whose architecture consists of the input, hidden and output layers. The activation functions used for this study were the logistical sigmoid function in the hidden layer and the identity functions in the output layer. We sought to understand the network learning initially with simulated data from an MLP structure. Three conventional algorithms obtained in the neuralnet package of the R software were applied to estimate the parameters. Bayesian inference for parameters estimation was also used. Ultimately, a new learning proposal was applied, which uses the Score Information Criteria (SIC) ranking as the core concept. For this approach the Simulated Annealing (SA) algorithm and the linear regression were used for the optimization. The same techniques were also used to predict two case studies such as the WTI oil price prediction and the food product export prediction. The proposed technique proved to be efficient in the oil time series model. The main gain in this work is the simplicity of the model, with a reduction in the number of parameters. Keywords: Computational Intelligence. Artificial neural networks. Learning algorithms. Score Information Criteria.101 p. : il. (algumas color.).application/pdfInteligência competitivaRedes neurais (Computação)Engenharia de ProduçãoDiferentes abordagens para o aprendizado da rede neural artificial multilayer perceptroninfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - SUELLEN TEIXEIRA ZAVADZKI DE PAULI.pdfapplication/pdf8825318https://acervodigital.ufpr.br/bitstream/1884/66679/1/R%20-%20D%20-%20SUELLEN%20TEIXEIRA%20ZAVADZKI%20DE%20PAULI.pdfc444b4796a3b653855c7aa6e3d8b35ecMD51open access1884/666792021-05-28 16:04:20.438open accessoai:acervodigital.ufpr.br:1884/66679Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082021-05-28T19:04:20Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Diferentes abordagens para o aprendizado da rede neural artificial multilayer perceptron
title Diferentes abordagens para o aprendizado da rede neural artificial multilayer perceptron
spellingShingle Diferentes abordagens para o aprendizado da rede neural artificial multilayer perceptron
Zavadzki, Suellen Teixeira, 1984-
Inteligência competitiva
Redes neurais (Computação)
Engenharia de Produção
title_short Diferentes abordagens para o aprendizado da rede neural artificial multilayer perceptron
title_full Diferentes abordagens para o aprendizado da rede neural artificial multilayer perceptron
title_fullStr Diferentes abordagens para o aprendizado da rede neural artificial multilayer perceptron
title_full_unstemmed Diferentes abordagens para o aprendizado da rede neural artificial multilayer perceptron
title_sort Diferentes abordagens para o aprendizado da rede neural artificial multilayer perceptron
author Zavadzki, Suellen Teixeira, 1984-
author_facet Zavadzki, Suellen Teixeira, 1984-
author_role author
dc.contributor.other.pt_BR.fl_str_mv Kleina, Mariana, 1988-
Bonat, Wagner Hugo, 1985-
Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia de Produção
dc.contributor.author.fl_str_mv Zavadzki, Suellen Teixeira, 1984-
dc.subject.por.fl_str_mv Inteligência competitiva
Redes neurais (Computação)
Engenharia de Produção
topic Inteligência competitiva
Redes neurais (Computação)
Engenharia de Produção
description Orientadora: Profa. Dra.Mariana Kleina
publishDate 2020
dc.date.issued.fl_str_mv 2020
dc.date.accessioned.fl_str_mv 2021-05-28T19:04:20Z
dc.date.available.fl_str_mv 2021-05-28T19:04:20Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/66679
url https://hdl.handle.net/1884/66679
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 101 p. : il. (algumas color.).
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/66679/1/R%20-%20D%20-%20SUELLEN%20TEIXEIRA%20ZAVADZKI%20DE%20PAULI.pdf
bitstream.checksum.fl_str_mv c444b4796a3b653855c7aa6e3d8b35ec
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1813898884906221568

Registros relacionados