Fernando Valeriano de Almeida Lins. Problema  PAKDD 2007  Dados reais de uma companhia financeira  40700 padrões de entrada sendo 40000 de uma classe.

Slides:



Advertisements
Apresentações semelhantes
Procedimentos e Funções
Advertisements

Agenda Introdução Justificativa Objetivo Detecção de Spam
Aprendizado de Máquina
Redes Neurais Artificiais (RNA): Perceptron
Redes Neurais Artificiais (RNA): Aprendizado
Aspectos de Implementação do Algoritmo Backpropagation
RECONHECIMENTO DE CARACTERES MANUSCRITOS APLICANDO REDES NEURAIS
Mineração de Dados Avaliação de Classificadores
Adriano Kaminski Sanches
REDES NEURONAIS ARTIFICIAIS (RNAs) Universidade do Minho.
Araken de Medeiros Santos Anne Magály de Paula Canuto
AULA06-exercícios MLP.
Backpropagation Through Time
AULA 03 PERCEPTRON SIMPLES.
AULA04 PERCEPTRON MULTI-CAMADAS MULTI-LAYER PERCEPTRON (MLP)
Aprendizado de Máquina
Prof. Júlio Cesar Nievola
Projeto e Treinamento de MLPs
Cérebro Artificial Intelligence, a modern approach
Modelagem e simulação de sistemas
Germano C. Vasconcelos Centro de Informática - UFPE
Inteligência Artificial
Inteligência Artificial
Lista de Exercícios de Redes Neurais - Sistemas Inteligentes -
INF 1771 – Inteligência Artificial
Davyd Bandeira de Melo Um Sistema de Reconhecimento de Comandos de Voz Utilizando a Rede Neural ELM Junho 2011.
Inteligência Artificial Redes Neurias
Previsão de consumos a curto prazo
Grafos Msc. Cintia Carvalho Oliveira Doutoranda em Computação – UFU
Introdução O que é computação?.
Redes Neurais - Cross-Selling
Tratamento de Dados Desbalanceados
Monitoria de Sistemas Inteligentes Alice Lucena Prof Teresa Ludermir.
PROJETO DE REDES NEURAIS Leyla Manoella (lmmrl) Thiago Henrique (thfp)
Redes Neurais Auto-organizáveis
Márcia Zanutto Barbosa
Fotolog? Flickr? YouTube? 4 Definição (por Danah Boyd) PerfilAmigosComentários.
Gerhard M¨unz, Sa Li, Georg Carle Computer Networks and Internet Wilhelm Schickard Institute for Computer Science University of Tuebingen, Germany Traffic.
A Hybrid Method for Robust Car Plate Character Recognition.
E NHANCED S ELF -O RGANIZING I NCREMENTAL N EURAL N ETWORK FOR O NLINE U NSUPERVISED L EARNING Cesar Lima José Francisco Maíra Nascimento.
Redes Neurais Prof. Alex F. V. Machado.
Área de Pesquisa: Redes de Computadores
Rafael Lima(ragpl) Recife, 29 de Junho de  Descrição do problema  Redes Neurais Artificiais  Preparação dos dados  O experimento  Resultados.
Animando Humanos Virtuais
Redes neurais artificiais
SBRN’02 - Simpósio Brasileiro de Redes Neurais
SOMA  0 fim início Simulação do algoritmo que soma os valores dos primeiros números naturais até o número fornecido como entrada: leia N T
Projeto de Redes Neurais e MATLAB
Redes Neuronais/Neurais/ Conexionistas Introdução
O Processo de KDD Data Mining SUMÁRIO - AULA1 O processo de KDD
Experimentação Algorítmica
Sistemas Tolerantes a Falhas: Conceitos e Técnicas
Grupo: Marcelo Costa de Lima Silas Ferreira Gomes Pedrosa Vítor Queiroz Albuquerque Projeto de Sistemas Inteligentes Classificação de Padrões Técnica Escolhida:
O paradigma Indutivo Álvaro Degas
Prof. Anne Magály de Paula Canuto
Universidade Federal de Lavras Departamento de Ciência da Computação
Combinação de Preditores utilizando o Coeficiente de Correlação aplicado aos Problemas de Regressão Resumo Este trabalho apresenta um algoritmo de Boosting.
Inteligência Artificial I
Redes Neurais Treinamento de MLP. Treinamento Divisão das entradas Parâmetros de treinamento –350 iterações –Nº de nós da camada interna (26, 46, 92)
Aprendizado da rede O aprendizado, na maioria das vezes, constitui no ajuste do conjunto de pesos de modo que a rede consiga executar uma tarefa específica.
Luana Bezerra Batista Redes Neurais Luana Bezerra Batista
Redes Neurais Artificiais
Classificação de Textos
Inteligência Artificial
ASrank Carlos Carlim.
Detecção de tráfego Skype na Web através de Redes Neurais Artigo Original: Freire, P. E., Ziviani, A., and Salles, R. M. (2008). Detecting skype flows.
©2005 Germano C.Vasconcelos Projeto da Disciplina Germano C. Vasconcelos Centro de Informática - UFPE.
Redes Neurais Treinamento de MLP.
Transcrição da apresentação:

Fernando Valeriano de Almeida Lins

Problema  PAKDD 2007  Dados reais de uma companhia financeira  padrões de entrada sendo de uma classe e 700 da outra

Experimentos  Pré-processamento – replicação ou eliminação.  Nós escondidos – 4,8 ou 12.  Taxa de aprendizado – 0.001, ou  Algoritmo de treinamento – traingd ou trainrp.  Erro utilizado – SSE ou MSE.  Total de 72 redes treinadas

Resultados Pré-processamento - Replicação Algoritmo - “trainrp” Erro – “sse” Taxa de Aprendizagem - 0,001 Nodos Escondidos - 18

Resultados

Conclusões  Trainrp mais eficiente que traingd  Replicação traz resultados muito melhores, mas é bem mais lenta  Número de nodos difícil de balancear, poucos trazem resultados ruins, mas muitos também.  Quanto maior o número de nodos mais lento o treinamento  Tipo de erro comportou-se de forma semelhante

Conclusões