Please use this identifier to cite or link to this item: https://repositorio.ufrn.br/jspui/handle/123456789/15449
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorMelo, Jorge Dantas dept_BR
dc.contributor.authorLima, Naiyan Hari Cândidopt_BR
dc.date.accessioned2014-12-17T14:56:07Z-
dc.date.available2013-04-18pt_BR
dc.date.available2014-12-17T14:56:07Z-
dc.date.issued2012-08-13pt_BR
dc.identifier.citationLIMA, Naiyan Hari Cândido. Classificação de padrões através de um comitê de máquinas aprimorado por aprendizagem por reforço. 2012. 75 f. Dissertação (Mestrado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2012.por
dc.identifier.urihttps://repositorio.ufrn.br/jspui/handle/123456789/15449-
dc.description.abstractReinforcement learning is a machine learning technique that, although finding a large number of applications, maybe is yet to reach its full potential. One of the inadequately tested possibilities is the use of reinforcement learning in combination with other methods for the solution of pattern classification problems. It is well documented in the literature the problems that support vector machine ensembles face in terms of generalization capacity. Algorithms such as Adaboost do not deal appropriately with the imbalances that arise in those situations. Several alternatives have been proposed, with varying degrees of success. This dissertation presents a new approach to building committees of support vector machines. The presented algorithm combines Adaboost algorithm with a layer of reinforcement learning to adjust committee parameters in order to avoid that imbalances on the committee components affect the generalization performance of the final hypothesis. Comparisons were made with ensembles using and not using the reinforcement learning layer, testing benchmark data sets widely known in area of pattern classificationeng
dc.formatapplication/pdfpor
dc.languageporpor
dc.publisherUniversidade Federal do Rio Grande do Nortepor
dc.rightsAcesso Abertopor
dc.subjectAprendizado de máquina. Sistemas inteligentes. Classificação de padrões. Máquinas de comitê. Máquinas de vetor de suporte. Aprendizagem por reforçopor
dc.subjectMachine learning. Intelligent systems. Pattern classification. Committee machines. Support vector machines. Reinforcement learningeng
dc.titleClassificação de padrões através de um comitê de máquinas aprimorado por aprendizagem por reforçopor
dc.typemasterThesispor
dc.publisher.countryBRpor
dc.publisher.initialsUFRNpor
dc.publisher.programPrograma de Pós-Graduação em Engenharia Elétricapor
dc.contributor.authorLatteshttp://lattes.cnpq.br/8241420490601784por
dc.contributor.advisorLatteshttp://lattes.cnpq.br/7325007451912598por
dc.contributor.referees1Dória Neto, Adrião Duartept_BR
dc.contributor.referees1Latteshttp://lattes.cnpq.br/1987295209521433por
dc.contributor.referees2Martins, Allan de Medeirospt_BR
dc.contributor.referees2Latteshttp://lattes.cnpq.br/4402694969508077por
dc.contributor.referees3Lima Júnior, Francisco Chagas dept_BR
dc.description.resumoA aprendizagem por reforço é uma técnica de aprendizado de máquina que, embora já tenha encontrado uma grande quantidade de aplicações, talvez ainda não tenha alcançado seu pleno potencial. Uma das possibilidades que não foi devidamente testada até hoje foi a utilização da aprendizagem por reforço em conjunto com outros métodos para a solução de problemas de classificação de padrões. É bem documentada na literatura a problemática que ensembles de máquinas de vetor de suporte encontram em termos de capacidade de generalização. Algoritmos como Adaboost não lidam apropriadamente com os desequilíbrios que podem surgir nessas situações. Várias alternativas já foram propostas, com margens variadas de sucesso. Esta dissertação apresenta uma nova abordagem para a construção de comitês de máquinas de vetor de suporte. O algoritmo apresentado combina o algoritmo Adaboost com uma camada de aprendizagem por reforço, para ajustar parâmetros do comitê evitando que desequilíbrios nos classificadores componentes do comitê prejudiquem o desempenho de generalização da hipótese final. Foram efetuadas comparações de comitês com e sem essa camada adicional de aprendizagem por reforço, testando conjuntos de dados benchmarks amplamente conhecidos na área de classificação de padrõespor
dc.publisher.departmentAutomação e Sistemas; Engenharia de Computação; Telecomunicaçõespor
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApor
Appears in Collections:PPGEE - Mestrado em Engenharia Elétrica e de Computação

Files in This Item:
File Description SizeFormat 
NaiyanHCL_DISSERT.pdf1,42 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.