[pt] Os sistemas de recomendação são um tema de pesquisa constante devido a sua grande quantidade de aplicações práticas. Estes sistemas podem ser abordados de diversas maneiras, sendo uma das mais utilizadas a filtragem colaborativa, em que para recomendar um item a um usuário são utilizados dados de comportamento de outros usuários. Porém, nem sempre os algoritmos de filtragem colaborativa atingem níveis de precisão necessários para serem utilizados em aplicações reais. Desta forma este trabalho tem como objetivo avaliar o desempenho da análise probabilística de semântica latente (PLSA) aplicado a sistemas de recomendação. Este modelo identifica grupos de usuários com comportamento semelhante através de atributos latentes, permitindo que o comportamento dos grupos seja utilizado na recomendação. Para verificar a eficácia do método, apresentamos experimentos com o PLSA utilizando os problemas de recomendação de anúncios na web e a recomendação de filmes. Evidenciamos uma melhoria de 18,7% na precisão da recomendação de anúncios na web e 3,7% de melhoria no erro quadrático sobre a Média das Médias para o corpus do Netflix. Além dos experimentos, o algoritmo foi implementado de forma flexível e reutilizável, permitindo adaptação a outros problemas com esforço reduzido. Tal implementação também foi incorporada como um módulo do LearnAds, um framework de recomendação de anúncios na web. / [en] Recommender systems are a constant research topic because of their large number of practical applications. There are many approaches to address these problems, one of the most widely used being collaborative filtering, in which in order to recommend an item to a user, data of other users` behaviors are employed. However, collaborative filtering algorithms do not always reach levels of precision required for the use in real applications. Within this context, the present work aims to evaluate the performance of the probabilistic latent semantic analysis (PLSA) applied to recommender systems. This model identifies groups of users with similar behaviors through latent attributes, allowing the use of these behaviors in the recommendation. To check the effectiveness of the method, there were presented experiments with problems of both web ad recommending and film recommending. An improvement of 18,7% were found in the accuracy of the recommendation of ads on the web and we also found 3.7% of improvement in Root Mean Square Error over the Means of Means baseline system for the Netflix corpus. Apart from the aforementioned experiments, the algorithm was implemented in a flexible and reusable way, allowing its adaptation to other problems with reduced effort. This implementation has also been incorporated as a module of LearnAds, a framework for the recommendation of ads on the web.

[pt] Esta dìssertação investiga o emprego e o desempenho da Inteligência Computacional em Machine Learning. De modo particular, pesquisou-se a aplicação dos mecanismos e estruturas na biologia e natureza, presentes nas técnica inteligentes (Redes Neurais, Algoritmos Genéticos e Lógica Nebulosa) na construção de algoritmos que codificam mecanismos indutivos em Machine Learning. O trabalho foi desenvolvido em 4 etapas principais: um estudo bibliográfico da área de Machine Learning e modelagem e desenvolvimento de três sistemas demonstrativos da aplicação de Inteligência Computacional em Machine Learning: Redes Neurais TD(gama) no aprendizado do jogo de Gamão, Algoritmos Genéticos na evolução do controle de um robô autônomo, e Lógica Nebulosa para controle de robôs. O estudo bibliográfico envolveu a busca, tendo como principal veículo inicial a Internet, de literatura referente às áreas de Machine Learning e de Inteligência Computacional. Foram pesquisados livros especializados da área, e também artigos técnicos envolvendo os temas abordados nesta dissertação. Este levantamento bibliográfico resultou no resumo dos principais projetos na área de Machine Learning, apresentado no capítulo 2. A modelagem de um sistema de aprendizado do jogo de gamão por Redes Neurais envolveu o estudo e implementação de um método de Reinforcement Learning denominado TD(gama), que opera através do princípio de tentativa e erro, recompensado ações que trazem um bom resultado. O jogo de Gamão foi escolhido pelo seu vastíssimo número de prováveis situações a serem encontradas durante o jogo, consequência do fator estocástico (dados) inerente ao jogo, tornando uma abordagem tradicional muito difícil e até mesmo ineficiente. A evolução do controle de robôs por Algoritmos Genéticos, é inspirada na evolução de um padrão de comportamento exemplificada no capítulo 2 pelo dilema dos prisioneiros. Através da codificação em um cromossoma das variáveis que descrevem o ambiente onde o robô está inserido, foi possível evoluir um padrão de atuação diante da situação presente a cada instante, de forma a atingir um objetivo especificado de forma ótima, ou sub-ótima. O controle de robôs por Lógica Nebulosa demonstra o potencial desta técnica para problemas de controle, codificando através de regras imprecisas que assemelham-se à forma humana de armazenar e transmitir conhecimento, o comportamento que o robô deve ter frente a cada situação encontrada em seu ambiente. Os resultados apresentados demonstram o potencial de utilização das técnicas da Inteligência Computacional, inspiradas na biologia e na natureza, na área de Machine Learning, mostrando através dos exemplos implementados a capacidade de aquisição de conhecimento por experiência, através de mecanismos indutivos, ao invés de codificar explicitamente soluções específicas para os problemas apresentados. / [en] This work investigates the application and performance of the Computational intelligence technics in the field of Machine Learning. In particular, was investigated the application of intelligent systems (Neural Networks, genetic Algorithms and fuzzy Logic) in the development of algorithms that codify inductive mechanisms in Machine Learning. This work was developed in two main steps: a research of Machine Learning bibliography, and the development of three intelligent systems: neural Networks applied to the game of backgammon, Genetic Algorithms in the evolution of an autonomous robot control system, and fuzzy Logic applied to robot control. The bibliography research involved looking for technical literature about Machine Learning and Computational Intelligence. Were used in this research books specialized in the area, and technical papers about the themes treated in this dissertation. The modeling of the backgammon learning algorithm, based on Neural Networks, was implemented using a reinforcement learning method known as TD(l), which operate by the principle of trial and error, giving a reward for actions that brings a good result. The game of backgammon was chosen because of its huge number of possible situations that can be faced during the game, due to estocastic factor (dice) attached to the game, making a traditional approach very difficult, if not even inefficient. The evolution of the autonomous robot control system using Genetic Algorithms is inspired in the evolution of a behavior pattern of behavior to deal with the faced at each moment, in order to achieve a goal in an optimal or sub-optimal way. The robot control system using Fuzzy Logic demonstrates the potential of this technic to control problems, codifying through fuzzy rules, which are similar to the human way to in its environment. The results presented demonstrate the potential of the Computational Intelligence technics, inspired in biology and nature, in the field of Machine Learning, showing through the examples implemented the knowledge acquisition capacity by experience, using inductive mechanisms instead of programming specific solutions for the problems presented