Made available in DSpace on 2014-06-12T15:58:31Z (GMT). No. of bitstreams: 2 arquivo4638_1.pdf: 5130002 bytes, checksum: 6fce9704d608c04ee17fdca0537c4f2e (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2004 / As Redes Neurais Artificiais (RNA) têm sido utilizadas com sucesso em tarefas como mapeamento de funções complexas e reconhecimento de padrões. Este sucesso é resultado da habilidade das RNA em realizar cálculos com dados complexos ou imprecisos, aprender a partir de exemplos, generalizar a informação aprendida, extrair padrões e descobrir tendências. Apesar destas vantagens, geralmente não é muito fácil obter explicações de como uma RNA representa a solução de um problema. Devido a esta limitação, as RNA têm sido consideradas inadequadas para serem utilizadas em aplicações de KDD (Knowledge Discovery in Databases) em que o usuário deseja saber o raciocínio usado pela rede para obter uma dada conclusão. Sistemas Híbridos Inteligentes (SHI) é uma abordagem de Inteligência Artificial que vem sendo bastante utilizada na resolução de problemas onde o emprego de uma única técnica não é suficiente para obter resultados satisfatórios. Tais sistemas se inspiram na integração de duas ou mais técnicas inteligentes com o intuito de suprir as limitações de cada técnica. A disseminação dos SHI tem contribuído para a emergência dos Sistemas Neurais Híbridos (SNH). O principal foco de pesquisa em SNH tem sido a integração de RNA, técnica fortemente baseada em dados, com técnicas que utilizam representação simbólica, como Lógica Fuzzy e algoritmos simbólicos convencionais. Os Sistemas Neuro-Fuzzy são um exemplo de SNH que combinam sistemas conexionistas com sistemas fuzzy. Nestes sistemas é aplicado algum método de extração de regras que permite a representação do conhecimento incorporado pela rede numa forma compreensível. Além das técnicas de extração de conhecimento simbólico associadas aos Sistemas Neuro-Fuzzy, diversas técnicas têm sido propostas para outros modelos neurais. Esta dissertação tem como principais objetivos investigar o paradigma dos Sistemas Neuro-Fuzzy e as técnicas de extração de conhecimento simbólico de RNA como uma opção para tornar as RNA mais adequadas ao processo de KDD; e, como resultado da investigação, modelar e implementar uma ferramenta de software, a Neural Mining, baseada na abordagem neural híbrida. A ferramenta Neural Mining integra, em um único ambiente, o modelo Perceptron Multicamadas (Multilayer Perceptron - MLP); os modelos neuro-fuzzy FWD (Feature-Weighted Detector) e FuNN (Fuzzy Neural Network), juntamente com suas técnicas de extração de regras; e a técnica TREPAN (Trees Parroting Networks), que representa o conhecimento incorporado por uma RNA na forma de uma árvore de decisão. Os modelos e técnicas são avaliados e comparados com relação à capacidade de generalização e compreensibilidade do conhecimento extraído. Além da análise nas etapas de mineração de dados e apresentação do conhecimento, também são investigadas duas técnicas de seleção de atributos: a técnica do modelo FWD e através da árvore de decisão gerada por TREPAN. A investigação experimental é realizada usando uma base de dados de um problema real e de larga escala no domínio de análise de crédito ao consumidor. Como os resultados obtidos demonstram que os ganhos decorrentes do uso de modelos neuro-fuzzy e técnicas de extração de conhecimento simbólico de RNA são bastante significativos, ao final da investigação, considerando as vantagens de cada modelo e técnica, são propostas duas soluções neurais híbridas para o processo de KDD