Mult-feature construction based on genetic algorithms and non-algebraic feature representation to facilitate learning concepts with complex interactions

• Autores: Leila Shila Shafti
• Directores de la Tesis: Eduardo Pérez Pérez (dir. tes.)
• Lectura: En la Universidad Autónoma de Madrid ( España ) en 2008
• Idioma: español
• Tribunal Calificador de la Tesis: Manuel Alfonseca Moreno (presid.), Alejandro Sierra Urrecho (secret.), Basilio Sierra Araujo (voc.), Ricardo Aler Mur (voc.), Carlos Cotta Porras (voc.)
• Materias:
  • Matemáticas
    • Ciencia de los ordenadores
      • Inteligencia artificial
• Enlaces
  • Tesis en acceso abierto en: Biblos-e Archivo
• Resumen

  • Los datos de problemas reales normalmente se han preparado para fines distintos a la minería de datos y el aprendizaje automático, y por lo tanto, se han representado por atributos primitivos, La representación primitiva de datos facilita la existencia de interacción entre atributos cuya complejidad hace que la información relevante queda oculta para la mayoría de los sistemas de aprendizaje. La Inducción Constructiva (IC) se ha introducido para facilitar el aprendizaje mediante la reestructuración de la representación primitiva. Recientemente, se han obtenido muchos progresos en IC; sin embargo, los métodos de aprendizaje todavía se enfrentan a graves dificultades cuando se aplican a conceptos con interacciones complejas. %&/Esta investigación tiene como objetivo facilitar el aprendizaje de conceptos con interacciones complejas cuando el único conocimiento disponible sobre el concepto sea la representación primitiva de datos de entrenamiento. La tesis describe los principales requisitos funcionales que un método de IC deberá cumplir con el fin de afrontar este tipo de problemas y propone un nuevo marco de trabajo que descompone la tarea compleja de IC en tareas pequeñas y más fáciles. A parte de este marco y los requisitos funcionales se ha diseñado dos métodos, DCI y MFE3/GA. Las evaluaciones empíricas sobre problemas sintéticos y problemas reales muestran la eficacia de estos métodos para mejorar la precisión del aprendizaje. El marco propuesto se puede usar como un modelo para diseñar una herramienta para ser integrada en una caja de herramientas de aprendizaje automático con el fin de facilitar el aprendizaje de conceptos difíciles con datos primitivos.