Publication
Ensemble SGE
| dc.contributor.advisor | Pereira, Francisco José Baptista | |
| dc.contributor.advisor | Lourenço, Nuno António Marques | |
| dc.contributor.author | Abreu, Rui Manuel Rodrigues | |
| dc.date.accessioned | 2023-01-26T11:18:48Z | |
| dc.date.available | 2023-01-26T11:18:48Z | |
| dc.date.issued | 2021-12-06 | |
| dc.date.submitted | 2021-07-30 | |
| dc.description.abstract | Este documento diz respeito a um projeto de investigação que decorreu no âmbito de projeto de final de curso do Mestrado em Informática e Sistemas, ramo de Tecnologias de Informação e Conhecimento que decorreu no Instituto Superior de Engenharia de Coimbra. Está integrado na área da aprendizagem automática e tem como principal objetivo desenvolver uma nova framework suportada pelo SGE para resolver problemas de aprendizagem supervisionada, e tem o nome de Ensemble SGE. O Ensemble SGE, utiliza o SGE que é um algoritmo de evolução automática de programas, para gerar vários modelos capazes de resolver um problema. E posteriormente utiliza técnicas de aprendizagem por Ensemble para agregar alguns dos modelos gerados e produzir um Ensemble. Neste trabalho foram abordados 3 problemas de regressão simbólica. Duas aproximações a funções conhecidas, polinómio de quarto grau e o polinómio de Pagie e por fim Boston Housing, um problema em que dadas características de uma casa é necessário prever o seu preço. Os resultados deste projeto são positivos, é demonstrado que é possível obter Ensembles capazes de resolver alguns problemas de uma melhor forma, que o melhor modelo gerado pelo SGE. A performance obtida pela utilização de Ensembles é maior comparativamente a modelos simples gerados pelo SGE. A framework foi implementada e disponibilizada com possíveis casos de teste. Concluindo, a escolha dos modelos constituintes do Ensemble é a decisão mais importante, pois não foi encontrada nenhuma maneira exata de o fazer, ou seja, apenas por métodos experimentais. O Ensemble SGE também consegue detetar situações de overfitting mais cedo que o melhor modelo do SGE ao longo das gerações. Isto porque o Ensemble SGE utiliza vários indivíduos de uma população. | pt_PT |
| dc.description.sponsorship | FEDER - Operational Programme Competitiveness Factors - COMPETE e fundos nacionais da FCT (POCI-01-0145-FEDER-029207). | |
| dc.identifier.tid | 203003578 | |
| dc.identifier.uri | http://hdl.handle.net/10400.26/43375 | |
| dc.language.iso | por | pt_PT |
| dc.subject | Aprendizagem automática | pt_PT |
| dc.subject | Aprendizagem supervisionada | pt_PT |
| dc.subject | Programação genética | pt_PT |
| dc.subject | Evolução gramatical | pt_PT |
| dc.subject | SGE | pt_PT |
| dc.subject | Aprendizagem por ensemble | pt_PT |
| dc.title | Ensemble SGE | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.awardURI | info:eu-repo/grantAgreement/FCT/9471 - RIDTI/PTDC%2FBTM-SAL%2F29297%2F2017/PT | |
| oaire.fundingStream | 9471 - RIDTI | |
| project.funder.identifier | http://doi.org/10.13039/501100001871 | |
| project.funder.name | Fundação para a Ciência e a Tecnologia | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| relation.isProjectOfPublication | 852e60c0-5e3a-4c1d-b7cd-7bca322cce4d | |
| relation.isProjectOfPublication.latestForDiscovery | 852e60c0-5e3a-4c1d-b7cd-7bca322cce4d |