Estudos das implicações do teorema de Bayes na computação natural
Palavras-chave:
Teorema de Bayes. Aprendizado de Máquina. Classificação. Redes Neurais Artificiais.Resumo
Aprendizado de Máquina é um ramo da Inteligência Artificial, cujo principal objetivo é desenvolver sistemas que adquiriram conhecimentos automaticamente e os utilizem na resolução de problemas de classificação. Para tal, essa área demanda conhecimentos em matemática e estatística. Este artigo apresenta resultados dos estudos de duas técnicas de aprendizado de máquina, Naive Bayes e Redes Neurais Artificiais(RNA), expondo um levantamento bibliográfico sobre cada uma e testes com o algoritmo Naive Bayes para classificação de idiomas de textos e com um RNA treinada com dados de algoritmos de otimização.
Downloads
Referências
ARA-SOUZA, Anderson Luiz. REDES BAYESIANAS: UMA INTRODUÇÃO APLICADA A CREDIT SCORING. São Carlos, 2010.
BARCA, Maria Carolina Stockler; SILVEIRA, Tiago Redondo de Siqueira; MAGINI, Marcio. Treinamento de redes neurais artificiais: o algoritmo Backpropagation. IX Encontro Latino Americano de Iniciação Científica, V Encontro Latino Americano de Pós-Graduação–Universidade do Vale do Paraíba, Anais. Jacareí, 2005.
BRIANEZE, Juliano Rodrigues; DA SILVA SANTOS, Carlos Henrique; HERNANDEZ-FIGUEROA, Hugo Enrique. Evolutionary algorithms applied to microstrip antennas design. 2007.
BRIANEZE, Juliano Rodrigues; DA SILVA-SANTOS, Carlos Henrique; HERNÁNDEZ-FIGUEROA, Hugo Enrique. Multiobjective evolutionary algorithms applied to microstrip antennas design. Ingeniare. Revista chilena de ingeniería, v. 17, n. 3, p. 288-298, 2009.
FERRAZ JR., Wilton Moreira; SILVA-SANTOS, Carlos Henrique; GONÇALVES, Marcos Sérgio, Filtros ópticos otimizados por algoritmos genéticos associados à lógica nebulosa, XIII Encontro Acadêmico de Modelagem Computacional Laboratório Nacional de Computação Científica – LNCC/MCTIC (EAMC-2020), Petrópolis-RJ, 2020, Disponível em: <http://www.eamc.lncc.br/PastEditions/Proceedings/Proceedings_EAMC2020.pdf>, Acessado em: 07 de Maio de 2020.
FERREIRA, Adriano da Silva et al. Towards an integrated evolutionary strategy and artificial neural network computational tool for designing photonic coupler devices. Applied Soft Computing, v. 65, p. 1-11, 2018.
NAIVE Bayes Classifier for PHP. Disponível em: https://github.com/uhho/PHPNaiveBayesClassifier. Acesso em: 14 ago. 2018.
MILLÁN, Eva; LOBODA, Tomasz; PÉREZ-DE-LA-CRUZ, Jose Luis. Bayesian networks for student model engineering. Computers & Education, v. 55, n. 4, p. 1663-1683, 2010.
MONARD, Maria Carolina; BARANAUSKAS, José Augusto. Conceitos sobre aprendizado de máquina. Sistemas inteligentes-Fundamentos e aplicações, v. 1, n. 1, p. 32, 2003.
PARDO, Thiago Alexandre Salgueiro; NUNES, Maria das Graças Volpe. Aprendizado Bayesiano Aplicado ao Processamento de Línguas Naturais. Série de Relatórios Técnicos do Instituto de Ciências Matemáticas e de Computação-ICMC, Universidade de São Paulo, n. 180, 2002.
PENA, Sérgio Danilo. Thomas Bayes O "cara"! Ciência Hoje, Minas Gerais, v. 38, p.24-29, jun. 2006
POLASTRO, Rodrigo Bellizia. Lógica Probabilística Baseada em Redes Bayesianas Relacionais com inferência em Primeira Ordem. 2012. 105 f. Tese (Doutorado) - Curso de Engenharia Mecânica, Escola Politécnica da Universidade de São Paulo, São Paulo, 2012.
SANTANA, Alan Felipe. TREINAMENTO DE REDES NEURAIS ARTIFICIAIS UTILIZANDO ALGORITMOS GENÉTICOS EM PLATAFORMA DISTRIBUÍDA. 2012. 123 f. Monografia (Especialização) - Curso de Sistemas de Informação, Universidade Federal de Lavras, Lavras, 2012.
SANTOS, Carlos Henrique da Silva et al. Computação bio-inspirada e paralela para a análise de estruturas metamateriais em microondas e fotônica. 2010.
SANTOS, Edimilson Batista dos. A Ordenação das Variáveis no Processo de Otimização de Classificadores Bayesianos: Uma Abordagem Evolutiva. 2007. 114 f. Dissertação (Mestrado) - Curso de Ciência da Computação A, Universidade Federal de São Carlos, São Carlos, 2007.
SEFFRIN, Henrique M.; RUBI, Geiseane; JAQUES, Patricia. Uma Rede Bayesiana aplicada aModelagem do Conhecimento Alg ́ ebrico do Aprendiz. In: Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE). 2013. p. 597.
SILVA-SANTOS, C. H. et al. Purification of naphthalene by zone refining: Mathematical modelling and optimization by swarm intelligence-based techniques. Separation and Purification Technology, v. 234, p. 116089, 2020.
SILVA, Denis Tavares da; SILVA-SANTOS, Carlos Henrique. Controlando população inicial de algoritmos genéticos para a otimização de funções. Revista Brasileira de Iniciação Científica, v. 6, n. 2, p. 68-91, 2019.
SILVA, Juliana Mendes N. Redes Neurais Artificiais: Rede Hopfield e Redes Estocásticas. 2003.
SOUZA, Marcos Castro de. Python - Implementação da rede neural Perceptron. Disponível em: <https://gist.github.com/marcoscastro/491bd5837815fe11181dce6c50f457ee>. Acesso em: 30 ago. 2018.
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2020 Revista Brasileira de Iniciação Científica
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
