Spelling suggestions: "subject:"redes neuronales"" "subject:"redes neural""
11 |
[en] EVALUATION OF THE EFFECTS OF CONCENTRATED LOADS ON STEEL BEAMS THROUGH NEURAL NETWORK TECHNIQUES / [es] EVALUACIÓN DEL EFECTO DE CARGAS CONCENTRADAS EN VIGAS DE ACERO A TRAVÉS DE ALGORITMOS DE REDES NEURALES / [pt] ESTUDO DO EFEITO DE CARGAS CONCENTRADAS EM VIGAS DE AÇO ATRAVÉS DE ALGORITMOS DE REDES NEURAISELAINE TOSCANO FONSECA FALCAO DA SILVA 19 February 2001 (has links)
[pt] As cargas concentradas em vigas de aço são freqüentemente
encontradas na prática da engenharia civil. Nas situações
onde o local de aplicação da carga é fixo, enrijecedores
transversais de alma podem ser usados para aumentar a
resistência, mas devem ser evitados sempre que possível
por
razões econômicas. Para cargas móveis, é fundamental
conhecer a resistência última das almas não enrijecidas.
Diversas teorias foram desenvolvidas para uma
melhor formulação deste problema mas, ainda assim, o erro
das fórmulas de previsão é superior a 20%. Duas são as
causas desta dificuldade de se encontrar uma equação mais
precisa: o grande número de parâmetros que influenciam o
comportamento de uma viga sujeita a cargas concentradas,
e
o número insuficiente de dados experimentais presentes na
literatura para o desenvolvimento de uma análise
paramétrica completa.
Se por um lado a criação de novos resultados
experimentais é um processo que envolve tempo e dinheiro,
os métodos numéricos utilizados para gerar novos dados
ainda apresentam diferenças significativas.
As redes neurais foram inspiradas na estrutura do
cérebro, a fim de apresentarem características humanas
como
o aprendizado por experiência e a generalização de novos
exemplos a partir dos apresentados. Estas características
mostram a possibilidade da utilização das redes neurais
no
estudo de problemas complexos, de difícil resolução por
programas convencionais, como a previsão da carga última
de
vigas de aço sujeitas a cargas concentradas.
Este trabalho tem o objetivo de avaliar e
investigar o comportamento estrutural de cargas
concentradas, através de uma análise paramétrica que
permita identificar a influência dos diversos parâmetros
que controlam o problema. Para viabilizar esta análise,
torna-se necessária a geração de novos dados. Desta
forma,
será investigada a possibilidade da aplicação das redes
neurais na previsão da carga crítica de vigas sujeitas a
cargas concentradas, a partir de um treinamento destas
redes utilizando os resultados experimentais existentes
na
literatura.
Uma revisão bibliográfica do problema foi feita,
bem como uma avaliação criteriosa dos resultados a serem
utilizados no treinamento das redes. Para a avaliação
e/ou
novo treinamento do modelo de redes neurais, também foi
estudada a utilização de resultados numéricos gerados
através do método de elementos finitos. Estas simulações
numéricas foram executadas utilizando um sistema de
interface desenvolvido neste trabalho para integrar
programas de pré-processamento, análise e pós-
processamento. As simulações numéricas encontradas na
literatura também foram analisadas para avaliar sua
incorporação ao conjunto de dados de treinamento de redes
neurais.
A partir da validação do modelo de redes neurais
adotado, através de uma comparação dos resultados
fornecidos pelas redes com os valores fornecidos pelas
fórmulas de previsão existentes, uma análise paramétrica
poderá ser executada dentro dos limites do treinamento
das
redes neurais. Estas redes poderão então ser utilizadas
como uma nova ferramenta na previsão da carga crítica de
vigas de aço submetidas a cargas concentradas.
Os resultados obtidos neste trabalho poderão
permitir, no futuro, o desenvolvimento de uma fórmula de
projeto mais precisa. De posse desta nova fórmula, uma
sugestão para sua incorporação em normas de projeto de
estruturas de aço poderá ser feita, garantindo desta
forma
um dimensionamento mais seguro e econômico. / [en] Concentrated loads on steel beams are frequently found in
structural
engineering practice. In situations where the location of
the load is fixed, traverse
web stiffeners can be used to provide an adequate increased
resistance, but for
economic reasons should be avoided whenever possible. For
moving loads, the
knowledge of the unstiffened web resistance becomes
imperative.
Many theories were developed for a better understanding of
the problem,
however, a 20% error is still present in the current design
formulas. A more accurate
design formula for this structural problem is very
difficult to be obtained, due to the
influence of several interdependent parameters. On the
other hand, creating new
experimental results is very expensive and time consuming.
As an alternative,
numerical methods were used to generate new data but they
still present significant
differences.
The neural networks were inspired in brain structure, to
present human
characteristics such as: learning from experience; and
generalization of new data
from a current set of standards. These characteristics
demonstrate the possibility of
using the neural networks to investigate complex problems
which could not be solved
by conventional programs, such as the forecasting of the
ultimate strength of steel
beams subjected to concentrated loads.
The main objective of this work is to investigate the
structural behavior of
concentrated loads, by means of a parametrical analysis.
This analysis can surely
help to identify the influence of the several
interdependent parameters. Thus, the
possibility of using neural networks to generate new data
is investigated.
A literature survey of the problem is presented, as well as
a critical
evaluation of the experimental results to be used as the
training data set of the neural
networks. In order to evaluate or train the neural
networks, the use of finite element
simulations will be analyzed. These numerical simulations
will be performed using a
finite element method interface system which was developed
to integrate the
preprocessing, analysis and post-processing programs. The
use of numerical results
present in the literature is also analyzed and discussed.
In order to validate the neural networks model, the results
are compared
with existing design formulas enabling the parametrical
analysis to be executed. The
neural networks model can also be used as a new tool to
forecast the ultimate load of
steel beams subjected to concentrated loads. / [es] Las cargas concentradas en vigas de acero son frecuentemente encontradas en la práctica de la ingeniería civil.
En las situaciones donde el local de aplicación de la carga es fijo, enrijecedores transversales de alma pueden ser
usados para aumentar la resistencia, mas deben ser evitados siempre que sea posible por razones económicas.
Para cargas móviles, es fundamental conocer la resistencia de las almas no enrijecidas. Aunque diversas teorías
han sido desarrolladas para obtener una mejor formulación de este problema, todavía el error de las fórmulas de
previsión es superior al 20%. La dificuldad de encontrar una ecuación más precisa tiene dos causas: el gran
número de parámetros que influyen en el comportamiento de una viga sujeta a cargas concentradas, y el número
insuficiente de datos experimentales presentes en la literatura para el desarrollo de un análisis paramétrico
completo. Si por un lado la creación de nuevos resultados experimentales es un proceso que lleva tiempo y dinero,
los métodos numéricos utilizados para generar nuevos datos presentan diferencias significativas. Las redes
neurales fueron inspiradas en la extructura del cerebro, con el objetivo de representar características humanas
como el aprendizaje por experiencia y la generalización de nuevos ejemplos a partir de los presentados. Estas
características indican la posibilidad de utilizar las redes neurales en el estudio de problemas complejos, de difícil
resolución por programas convencionales, como la previsión de la carga de vigas de acero sujetas a cargas
concentradas. Este trabajo tiene como objetivo evaluar e investigar el comportamiento extructural de cargas
concentradas, a través de un análisis paramétrico que permita identificar la influencia de los diversos parámetros
que controlan el problema. Para realizar este análisis, se hace necesario generar nuevos datos. De esta forma, se
investigará la posibilidad de aplicar redes neurales en la previsión de la carga crítica de vigas sujetas a cargas
concentradas, utilizando los resultados experimentales existentes en la literatura como conjunto de
entrenamiento. Fue realizada una revisión bibliográfica del problema, así como una evaluación de los resultados a
utilizar en el entrenamiento de las redes. Para la evaluación y/o nuevo entrenamiento del modelo de redes
neurales, se estudió la utilización de resultados numéricos generados a través del método de elementos finitos.
Estas simulaciones numéricas se ejecutaron utilizando un sistema de interface desarrollado en este trabajo para
integrar programas de preprocesamiento, análisis y posprocesamiento. Las simulaciones numéricas encontradas
en la literatura también fueron analizadas para evaluar su incorporación al conjunto de datos de entrenamiento de
la red neural. A partir de la evaluación del modelo de redes neurales adoptado, se comparan los resultados
obtenidos a través de la red neural con los resultados que arrojan las fórmulas de previsión existentes. Estas
redes podrán ser utilizadas como una nueva herramienta en la previsión de la carga crítica de vigas de acero
sometidas a cargas concentradas. Los resultados obtenidos en este trabajo podrán permitir, en el futuro, el
desarrollo de una fórmula de proyecto más precisa. Ya con esta nueva fórmula, se podrá sugerir su incorporación
en normas de proyecto de extructurasde acero, garantizando de esta forma un dimensionamento más seguro y
económico.
|
12 |
Contribución al estudio del proceso de doblado al aire de chapa. Modelo de predicción del ángulo de recuperación y del radio de doblado finalGarcia-Romeu, Maria Luisa 24 October 2005 (has links)
Modelo de predicción de la geometría final de una pieza de chapa, radio y ángulo de doblado final, producida mediante un proceso de doblado al aire. / Prediction model of final geometry of sheet metal part, radius and final bending angle, manufactured by air free -V bending process.
|
13 |
[en] ADAPTIVE ROUTING IN DATA COMMUNICATION NETWORKS THROUGH REINFORCEMENT LEARNING / [pt] ROTEAMENTO ADAPTATIVO EM REDES DE COMUNICAÇÃO DE DADOS POR REINFORCEMENT LEARNING / [es] RUTEAMIENTO ADAPTATIVO EN REDES DE COMUNICACIÓN DE DATOR POR REINFORCEMENT LEARNINGYVAN JESUS TUPAC VALDIVIA 13 March 2001 (has links)
[pt] Esta dissertação investiga a aplicação dos métodos de
Reinforcement Learning na descoberta de rotas ótimas em uma
rede de comunicação. Uma rede de comunicação real possui um
comportamento dinâmico, mudando seu estado com o tempo. Os
algoritmos de roteamento devem, portanto, oferecer rapidez
na resposta às mudanças do estado da rede. O objetivo do
trabalho é avaliar a aplicação de técnicas de Reinforcement
Learning (RL) como base de algoritmos adaptativos de
roteamento de pacotes. O problema de roteamento de pacotes
sob a visão de RL consiste na definição de cada nó na rede
como um agente RL, sendo que este agente deve definir ações
de forma a minimizar uma função objetivo que pode ser o
tempo de roteamento dos pacotes. Um dos objetivos do RL é
precisamente aprender a tomar as ações que minimizem uma
função. O trabalho consistiu de 4 etapas principais: um
estudo sobre a área de Reinforcement Learning (RL); um
estudo sobre a área de redes de comunicação e roteamento de
pacotes; a modelagem do problema de roteamento como um
sistema RL e implementação de diferentes métodos de RL para
obter algoritmos de roteamento; e o estudo de casos.
O estudo na área de Reinforcement Learning abrangeu desde
as definições mais fundamentais: suas características, os
elementos de um sistema RL e modelagem do ambiente como um
Processo de Decisão de Markov, até os métodos básicos de
solução: Programação Dinâmica, método de Monte Carlo, e o
método de Diferenças Temporais. Neste último método, foram
considerados dois algoritmos específicos: TD e Q-Learning.
Em seguida, foi avaliado o parâmetro Eligibility Traces
como uma alternativa para apressar o processo de
aprendizado, obtendo o TD(lambda) e o Q(lambda)
respectivamente. O estudo sobre Redes de Comunicação e
Roteamento de pacotes envolveu os conceitos básicos de
redes de comunicações, comutação por pacotes, a questão do
roteamento de pacotes e os algoritmos existentes
adaptativos e não adaptativos, que são utilizados na
atualidade. Nas redes de comunicação, definidas como um
conjunto de nós ligados através de enlaces de comunicação,
para se enviar uma mensagem de um nó a outro, geralmente, a
mensagem é quebrada em pedaços, chamados pacotes, e
enviados através de outros nós, até chegar ao destino.
Deste modo surge o problema de escolher os nós que levem o
pacote o mais rápido possível até o nó destino. Os
algoritmos analisados foram: Shortest Path Routing que
procura os caminhos com menor número de nós
intermediários, não sendo sensível às mudanças na carga nem
na topologia da rede; Weighted Shortest Path Routing, que
oferece um melhor desempenho a partir de uma visão global
do estado da rede, que nem sempre é fácil de obter em redes
reais e o algoritmo de Bellman-Ford, baseado em decisões de
roteamento locais e atualizações periódicas, com algumas
limitações para obter políticas em altas cargas. Este
último é um dos algoritmos mais utilizados na atualidade,
sendo base de muitos protocolos de roteamento existentes.
A modelagem do problema de roteamento como um sistema RL
foi inspirada por uma característica na definição de um
sistema RL: um agente que interage com o ambiente e aprende
a atingir um objetivo. Assim, a modelagem dos algoritmos
tem como objetivo aprender a descobrir as rotas que
minimizem o tempo de roteamento de pacotes desde uma origem
até um dado destino. A avaliação de uma rota escolhida não
pode ser obtida antes que o pacote alcance o seu destino
final. Este fato faz com que os processos de aprendizado
supervisionado tenham dificuldade de se aplicar a esse
problema. Por outro lado, o Reinforcement Learning não
necessita de um par entrada-resposta para fazer o
aprendizado, permitindo-lhe abordar o problema com relativa
facilidade. Na modelagem efetuada, cada nó na rede se
comporta como um agente de RL que age na própria rede, a
qual é o ambiente. A informação das rotas é armazenada nas
funções de valor existentes em todos os nós da rede para / [en] This dissertation investigates the application of
Reinforcement Learning methods to the discovery of
optimal routes in communication networks. Any current
communication network displays dynamic behavior,
changing its states over time. Therefore, the routing
algorithms must react swiftly to changes in the network
status. The objective of this work is to evaluate the
application of some Reinforcement Learning techniques to
define adaptive packet routing algorithms. The packet
routing problem under the RL vision consists in the
definition of each node on network as an RL agent. Thus,
each agent must take actions in order to minimize an
objective function such as end to end packet routing delay.
One main objective of the RL is precisely learning to
take the actions that minimize a given function.
This thesis is consists of 4 main parts: first, a study of
Reinforcement Learning (RL); a study of the
communication networks and packet routing; the routing
problem model as a RL system and the implementation
of several RL methods in order to obtain some routing
algorithms; e finally, the case study.
The study of Reinforcement Learning extends from the more
basic definitions, Reinforcement Learning
features, elements of a RL system and environment modeling
as a Markovian Decision Process, to the basic
methods of solution: Dynamic Programming, Monte Carlo
methods and Temporal Differences methods. In this
last case, two specific algorithms have been considered: TD
and Q-Learning, and, finally, the Eligibility Traces
are evaluated as a useful tool that permits us to
accelerate the learning process leading to the TD(lambda)
and the Q(lambda) routing algorithms. The study on
communication networks and packet routing
involves the foundations of communication networks, packet
switching, the packet routing problem, and adaptive and non-
adaptive routing algorithms used
at the present time. Communication networks are defined as
a set of nodes connected through communication
links. In order to send a message from a source node to a
destination node usually the message is broken into
segments called packets, and these are sent through other
nodes until arriving at the destination. In this way the
problem appears to choose the path which takes the shortest
possible time for the packet to reach the destination
node. The following algorithms have been analyzed: Shortest
Path Routing that looks for paths with minimal
hop number, not being sensible to the changes of load level
and network topology; Weighted Shortest Path
Routing that offers better performance from a global vision
of the state of the network, which is not always easy
to get in real networks; on the other hand, the Bellman-
Ford routing algorithm was studied, this is based on local
routing decisions and periodic updates, with some
limitations to obtain policies in high load conditions.
Bellman-Ford
is one of the algorithms most used at the present time,
being the basis for many existing routing protocols.
The modeling of the routing problem as a RL system was
inspired by one of the main features of the
definition of an RL system: an agent who interacts with the
environment and learns to reach an objective;
therefore, the modeling of the routing algorithms has as
its objective to learn to discover the paths that minimize
packet routing time from an origin to an destination. The
evaluation of a chosen route cannot be completed
before the package reaches its final destination. This fact
implies that supervised learning cannot be applied to
the routing problem. On the other hand, Reinforcement
Learning does not need a input-output pair for the
learning process, allowing it to approach the problem with
relative ease. In the modeling, each network node is
viewed as a RL agent that acts in the same network; the
network is the environment. The routing information is
stored in the existing value functions in all nodes in the
network, for each node and all another destination node / [es] Esta disertación investiga la aplicación de los métodos de
Reinforcement Learning en la determinación de rutas óptimas
en una red de comunicación. Una red de comunicación real
posee un comportamiento dinámico, donde su estado varia en
el tiempo. Los algoritmos de ruta óptima deben, por lo
tanto, ofrecer rapidez en la respuesta a las variaciones
del estado de la red. El objetivo de este trabajo es
evaluar la aplicación de técnicas de Reinforcement Learning
(RL) como base de algoritmos adaptativos de problemas de
ruteamiento en redes. Este problema consiste en la
definición de cada nodo de la red como un agente RL. Este
agente debe definir acciones de modo a minimizar una
función objetivo que puede ser el tiempo de ruteamiento.
El trabajo consta de 4 etapas principais: un estudio sobre
el área de Reinforcement Learning (RL); un estudio sobre
redes de comunicación y problema de ruteamiento; el modelo
de ruta óptima como un sistema RL y la implementación de
diferentes métodos de RL para obtener algoritmos de ruta
óptima; y un estudio de casos.
El estudio en el área de Reinforcement Learning va desde
las definiciones fundamentales: características, elementos
de un sistema RL y modelaje del ambiente como un Proceso de
Decisión de Markov, hasta los métodos básicos de solución:
Programación Dinámica, método de Monte Carlo, y método de
Diferencias Temporales. En este último método, fueron
considerados dos algoritmos específicos: TD e Q-Learning.
A seguir, fue evaluado el parámetro Eligibility Traces como
una alternativa para agilizar el proceso de aprendizaje,
obteniendo el TD(lambda) y el Q(lambda) respectivamente.
El estudio sobre Redes de Comunicación y Problema de
Transporte incluye los conceptos básicos de redes de
comunicaciones, la cuestión de la ruta óptima y los
algoritmos adaptativos y no adaptativos existentes, que se
utilizan actualmente. Los algoritmos analizados fueron:
Shortest Path Routing, que busca los caminos con menor
número de nodos intermedios, no siendo sensible a
variaciones en la carga ni en la topología de la red;
Weighted Shortest Path Routing, que ofrece un mejor
desempeño a partir de una visión global del estado de la
red, que no siempre es fácil de obtener en redes reales; y
el algoritmo de Bellman-Ford, que tiene como base
decisiones de rutas locales y actualizaciones periódicas,
con algunas limitaciones para obtener políticas en altas
cargas. Este último es uno de los algoritmos más utilizados
en la actualidad, siendo base de muchos protocolos de
trazado de ruta existentes. La solución para modelar el
problema de ruteamiento como un
sistema RL fue inspirada por una característica en la
definición de un sistema RL: un agente que interactúa con
el ambiente y aprende a alcanzar un objetivo. Así, el
modelo tiene como objetivo aprender a determinar las rutas
que minimizen el timpo desde el origen hasta un destino
dado. La evaluación de uma ruta seleccionada no puede ser
obtenida antes que el paquete alcance su destino final.
Esto hace que los procesos de aprendizaje supervisionado
tengan dificultades para ser aplicados a este problema. Por
otro lado, Reinforcement Learning no necesita de un par
entrada-salida para el aprendizaje, permitiendo así,
abordar el problema con relativa facilidad. En el modelo
establecido, cada nodo en la red se comporta como un agente
de RL que actúa en la propria red.
La información de las rutas se almacena en las funciones de
valor existentes en todos los nodos de la red para cada
nodo destino diferente. Esta información contiene un valor
estimado del tiempo requerido para un paquete para llegar
hasta el nodo destino. La actualización de esos valores se
realiza durante la transición del paquete hasta el vecino
seleccionado. En este trabajo se implementaron varios
algoritmos de ruta óptima. Cada uno de los algoritmos
aplica características de las técnicas en Reinforcement
Learning: o Q(lambda)-Routing, y el TD-Routing. En el
estudio d
|
14 |
[en] DATA MINING APPLIED TO DIRECT MARKETING AND MARKET SEGMENTATION / [es] MINERACIÓN DE DATOS PARA LA SOLUCIÓN DE PROBLEMAS DE MARKETING DIRECTO Y SEGMENTACIÓN DE MERCADO / [pt] MINERAÇÃO DE DADOS APLICADA NA SOLUÇÃO DE PROBLEMAS DE MARKETING DIRETO E SEGMENTAÇÃO DE MERCADOHUGO LEONARDO COSTA DE AZEVEDO 28 August 2001 (has links)
[pt] Devido à quantidade cada vez maior de dados armazenada
pelas instituições, a área de mineração de dados tem se
tornado cada vez mais relevante e vários métodos e métodos
têm sido propostos de maneira a aumentar sua aplicabilidade
e desempenho. Esta dissertação investiga o uso de diversos
métodos e técnicas de mineração de dados na modelagem e
solução de problemas de Marketing. O objetivo do trabalho
foi fazer um levantamento de alguns métodos e técnicas de
mineração, avaliar seus desempenhos e procurar integrá-los
na solução de problemas de marketing que envolvessem
tarefas de agrupamento ou classificação. O trabalho
consistiu de quatro etapas principais: estudo sobre o
processo de descoberta de conhecimento em bancos de dados
(KDD - Knowledge Discovery in Databases); estudo sobre
Marketing e alguns problemas de Marketing de Banco de Dados
(DBM - Database Marketing) que envolvessem tarefas de
agrupamento e classificação; levantamento e estudo de
métodos e técnicas de Inteligência Computacional e
Estatística que pudessem ser empregados na solução de
alguns desses problemas; e estudos de caso. A primeira
etapa do trabalho envolveu um estudo detalhado das diversas
fases do processo de KDD: limpeza dos dados; seleção;
codificação e transformação; redução de dimensionalidade;
mineração; e pós-processamento. Na segunda etapa foram
estudados os principais conceitos de Marketing e de DBM e a
relação entre eles e o processo de KDD. Pesquisaram-se
alguns dos tipos de problemas comuns na área e escolheram-
se para análise dois que fossem suficientemente complexos e
tivessem a possibilidade de se ter acesso a alguma empresa
que fornecesse os dados e validasse a solução
posteriormente. Os casos selecionados foram um de marketing
direto e outro de segmentação de mercado. Na terceira
etapa, foram estudados os métodos de Inteligência
Computacional e Estatística usualmente empregados em
tarefas de agrupamento e classificação de dados. Foram
estudados: Redes Perceptron Multi-Camadas, Mapas Auto-
Organizáveis, Fuzzy C-Means, K-means, sistemas Neuro-Fuzzy,
Árvores de Decisão, métodos Hierárquicos de agrupamento,
Regressão Logística, Fuções Discriminantes de Fisher, entre
outros. Por fim, na última etapa, procurou-se integrar
todos os métodos e técnicas estudados na solução de dois
estudos de caso, propostos inicialmente na segunda etapa do
trabalho. Uma vez proposta a solução para os estudos de
caso, elas foram levadas aos especialistas em Marketing das
empresas para serem validadas no âmbito do negócio. Os
estudos de caso mostraram a grande utilidade e
aplicabilidade dos métodos e técnicas estudadas em
problemas de marketing direto e segmentação de mercado. Sem
o emprego dos mesmos, a solução para muitos desses
problemas tornar-se-ia extremamente imprecisa ou até mesmo
inviável. Mostraram também a grande importância das fases
iniciais de pré-processamento dos dados no processo de KDD.
Muitos desafios persistem ainda na área de mineração de
dados, como a dificuldade de modelar dados não lineares e
de manipular quantidades muito grande de dados, o que
garante um vasto campo para pesquisa nos próximos anos. / [en] The Data Mining field has received great attention lately,
due to the increasing amount of data stored by companies
and institutions. A great number of Data Mining methods
have been proposed so far, which is good but sometimes
leads to confusion. This dissertation investigates the
performance of many different methods and techniques of
Data Mining used to model and solve Marketing problems. The
goal of this research was to look for and study some data
mining methods, compare them, and try to integrate them to
solve Marketing problems involving clustering and
classification tasks. This research can be divided in four
stages: a study of the process of Knowledge Discovery in
Databases (KDD); a study about Marketing problems involving
clustering and classification; a study of some methods and
techniques of Statistics and Computational Intelligence
that could be used to solve some of those problems; and
case studies. On the first stage of the research, the
different tasks (clustering, classification, modeling, etc)
and phases (data cleansing, data selection, data
transformation, Data Mining, etc) of a KDD process were
studied in detail. The second stage involved a study of the
main concepts of Marketing and Database Marketing and their
relation to the KDD process. The most common types of
problems in the field were studied and, among them, two
were selected to be furthered analyzed as case studies. One
case was related to Direct Marketing and the other to
Market Segmentation. These two cases were chosen because
they were complex enough and it was possible to find a
company to provide data to the problem and access to their
marketing department. On the third stage, many different
methods for clustering and classification were studied and
compared. Among those methods, there were: Multilayer
Perceptrons, Self Organizing Maps, Fuzzy C-Means, K-Means,
Neuro-Fuzzy systems, Decision Trees, Hierarquical
Clustering Methods, Logistic Regression, Fisher`s Linear
Discriminants, etc Finally, on the last stage, all the
methods and techniques studied were put together to solve
the two case studies proposed earlier. Once they were
solved, their solutions were submitted to the Marketing
Department of the company who provided the data, so that
they could validate the results in the context of their
business. The case studies were able to show the large
potential of applicability of the methods and techniques
studied on problems of Market Segmentation and Direct
Marketing. Without employing those methods, it would
be very hard or even impossible to solve those problems.
The case studies also helped verify the very important
role of the data pre-processing phase on the KDD process.
Many challenges persist in the data mining field. One could
mention, for example, the difficulty to model non-linear
data and to manipulate larges amounts of data. These and
many other challenges provide a vast field of research to
be done in the next years. / [es] Debido a la cantidad cada vez mayor de datos almacenados
por las instituiciones, el área de mineración de datos há
ganado relevancia y varios métodos han sido propuestos para
aumentar su aplicabilidad y desempeño. Esta disertación
investiga el uso de diversos métodos y técnicas de
mineración de datos en la modelación y solución de
problemas de Marketing. EL objetivo del trabajo fue hacer
un levantamiento de algunos métodos y técnicas de
mineración, evaluar su desempeño e integrarlos en la
solución de problemas de marketing que involucran tareas de
agrupamiento y clasificación. EL trabajo consta de cuatro
etapas principales: estudio sobre el proceso de
descubrimiento de conocimientos en bancos de datos (KDD -
Knowledge Discovery in Databases); estudio sobre Marketing
y algunos problemas de Marketing de Banco de Datos (DBM -
Database Marketing) que incluyen tareas de agrupamientoy
clasificación; levantamiento y estudio de métodos y
técnicas de Inteligencia Computacional y Estadística que
pueden ser empleados en la solución de algunos problemas; y
por último, estudios de casos. La primera etapa del trabajo
contiene un estudio detallado de las diversas fases del
proceso de KDD: limpeza de datos; selección; codificación y
transformación; reducción de dimensionalidad; mineración; y
posprocesamento. En la segunda etapa fueron estudados los
principales conceptos de Marketing y de DBM y la relación
entre ellos y el proceso de KDD. Algunos de los tipos de
problemas comunes en la área fueron investigados,
seleccionando dos de ellos, por ser suficientemente
complejos y tener posibilidad de acceso a alguna empresa
que suministrase los datos y evaluase posteriormente la
solución. Los casos selecionados fueron uno de marketing
directo y otro de segmentación de mercado. En la tercera
etapa, se estudiaron los métodos de Inteligencia
Computacional y Estadística que son empleados usualmente en
tareas de agrupamiento y clasificación de datos. Éstos
fueron: Redes Perceptron Multicamada, Mapas
Autoorganizables, Fuzzy C-Means, K-means, sistemas Neuro-
Fuzzy, Árboles de Decisión, métodos Jerárquicos de
agrupamiento, Regresión Logística, Fuciones Discriminantes
de Fisher, entre otros. En la última etapa, se integraron
todos los métodos y técnicas estudiados en la solución de
dos estudios de casos, propuestos inicialmente en la
segunda etapa del trabajo. Una vez proposta la solución
para el estudios de casos, éstas fueron evaluadas por los
especialistas en Marketing de las empresas. Los estudios de
casos mostraron la grande utilidad y aplicabilidad de los
métodos y técnicas estudiadas en problemas de marketing
directo y segmentación de mercado. Sin el empleo de dichos
métodos, la solución para muchos de esos problemas sería
extremadamente imprecisa o hasta incluso inviáble. Se
comprobó también la gran importancia de las fases iniciales
de preprocesamiento de datos en el proceso de KDD. Existen
todavía muchos desafíos en el área de mineración de datos,
como la dificuldad de modelar datos no lineales y de
manipular cantidades muy grandes de datos, lo que garantiza
un vasto campo de investigación
|
15 |
[en] ESTIMATION OF THE FAMILY CONSUMPTION FOR NATIONAL ACCOUNTS - THE PROPOSITION OF A METHODOLOGY / [es] ESTIMACIÓN DEL CONSUMO PERSONAL PARA LAS CUENTAS NACIONALES DE BRASIL: UNA METODOLOGÍA PROPUESTA / [pt] ESTIMAÇÃO DO CONSUMO PESSOAL PARA AS CONTAS NACIONAIS DO BRASIL: PROPOSIÇÃO DE UMA METODOLOGIAJULIO MARCO ALVES DA SILVA 16 July 2001 (has links)
[pt] Tendo como objetivo a construção de uma metodologia para a
estimação do agregado do Consumo Pessoal para as Contas
Nacionais do Brasil, o presente trabalho contém a definição
de uma modificação sobre o Estimador de Regressão de
Nadaraya-Watson (NWRE), que objetiva o uso de uma rede
neural tipo RBF sobre dados provenientes de duas pesquisas
dotadas de planos amostrais amplamente diferenciados, quais
sejam: POF e PNAD.
A partir da aplicação de tal modelo, são obtidos dados e
calculados erros estimados, além de outras estatísticas que
se mostram úteis na validação das estimativas. / [en] It is the objective of this dissertation to produce a
methodological framework to the estimation of the Family
Comsumption agregate in the brasilian National Accounts.
In order to perform this task, a modification in the
Nadaraya-Watson Regression Estimator (NWRE) has been
developed, intended to allow the use of an RBF neural
network in the context of data originated in two surveys
which significantly differ in sample design,
which are POF and PNAD.
From the application of the developed methodology, groups
of data are presented, providing results, estimated errors
and other statistics useful for the comprehension and
validation of the model. / [es] El objetivo de este trabajo es establecer una metodologia
para la estimación del agregado del Consumo familiar para
las Cuentas Nacionales del Brasil. Para ello, se define una
modificación sobre el Estimador de Regresión de Nadaraya-
Watson (NWRE), que tiene como objetivo el uso de una red
neural tipo RBF sobre datos provenientes de dos
investigaciones dotadas de planos muestrales ampliamente
diferenciados: POF y PNAD. A partir de la aplicación de tal
modelo, se obtienen los datos y se calculan los erros
estimados, además de otras estadísticas útiles en la
evaluación de las estimativas.
|
Page generated in 0.0518 seconds