CLASSIFICAÇÃO DE DADOS RELATIVOS À CIRURGIA DE CÂNCER DE MAMA, UM COMPARATIVO ENTRE SOLUÇÃO POR REDES NEURAIS E FUZZY

##plugins.themes.bootstrap3.article.sidebar##

PDF
Publicado: dez 23, 2013
Palavras-chave:
redes neurais , câncer de mama , mineração de dados , fuzzy neural network , fuzzy , breats cancer , data-mining

##plugins.themes.bootstrap3.article.main##

Ademir Cristiano Gabardo
Programa de Pós Graduação em Computação Aplicada (PPGCA). Departamento de Informática (DAINF).Universidade Tecnologica Federal do Paraná (UTFPR).
https://orcid.org/0000-0002-9649-330X
Martín Pérez
Programa de Pós Graduação em Computação Aplicada (PPGCA). Departamento de Informática (DAINF).Universidade Tecnologica Federal do Paraná (UTFPR).
https://orcid.org/0000-0003-0859-7393

Resumo

Este artigo apresenta um comparativo entre duas técnicas para aprendizado de máquina baseadas em conceitos de inteligência artificial, utilizando Redes Neurais e controladores Fuzzy para classificar dados provenientes de pacientes submetidas à cirurgia de remoção de nódulos cancerígenas da(s) mama(s). O processo de classificação de dados pode ser simples ou complexo dependendo tanto do domínio do problema bem como da qualidade dos dados disponíveis. A acuidade dos resultados também pode variar de acordo com o domínio do problema, sendo que determinados casos podem admitir uma margem de erro maior ou menor. O objetivo deste trabalho é tanto demonstrar o processo de classificação de dados por meio de uma abordagem Fuzzy e se usando redes neurais, quanto demonstrar qual das técnicas obteve melhores resultados e com quais configurações. 

Downloads

Não há dados estatísticos.

##plugins.themes.bootstrap3.article.details##

Como Citar
Gabardo, A. C., & Pérez, M. (2013). CLASSIFICAÇÃO DE DADOS RELATIVOS À CIRURGIA DE CÂNCER DE MAMA, UM COMPARATIVO ENTRE SOLUÇÃO POR REDES NEURAIS E FUZZY. Revista Brasileira De Contabilidade E Gestão, 2(4), 50-59. Recuperado de https://revistas.udesc.br/index.php/reavi/article/view/3867
Edição
v. 2 n. 4 (2013)
Seção
Artigos
Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
     
      A Revista Brasileira de Contabilidade e Gestão oferece acesso livre e imediato ao seu conteúdo, seguindo o princípio de que disponibilizar gratuitamente o conhecimento científico ao público proporciona uma maior democratização mundial do conhecimento. Os autores mantêm os direitos autorais dos artigos e concedem à revista o direito de primeira publicação, de acordo com os critérios de licenciamento Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial. Estas licenças permitem que outros distribuam, remixem, adaptem ou criem obras derivadas, mesmo que para uso com fins comerciais, contanto que seja dado crédito pela criação original.
Biografia do Autor

Ademir Cristiano Gabardo, Programa de Pós Graduação em Computação Aplicada (PPGCA). Departamento de Informática (DAINF).Universidade Tecnologica Federal do Paraná (UTFPR).

Discente de Mestrado do Programa de Pós Graduação em Computação Aplicada (PPGCA) no laboratório de Bioinformática. Departamento de Informática (DAINF) Universidade Tecnologica Federal do Paraná (UTFPR).

Desenvolvendo pesquisa na área de redes complexas, redes sociais, sociometria e computação aplicada.

Bacharel em Sistemas de Informação pela Universidade do Estado de Santa Catarina (UDESC).

Autor do livros: PHP e MVC com CodeIgniter, 2012 - Novatec - SP. e CodeIgniter Framework PHP, 2010 - Novatec - SP. 

Martín Pérez, Programa de Pós Graduação em Computação Aplicada (PPGCA). Departamento de Informática (DAINF).Universidade Tecnologica Federal do Paraná (UTFPR).

Discente de Mestrado do Programa de Pós Graduação em Computação Aplicada (PPGCA) no laboratório de Bioinformática. Departamento de Informática (DAINF) Universidade Tecnologica Federal do Paraná (UTFPR).

Referências

ARRUDA, V., (ed.). (2012). RNA - notas de aulas.

KROGH, A. & Vedelsby, J. (1995). Neural Network Ensembles, Cross Validation, and Active Learning. In Advances in Neural Information Processing Systems (pp. 231--238). MIT Press.

MEHROTRA, K., Mohan, C. K. & Ranka, S. (1997). Elements of artificial neural networks. the MIT Press.

MELO, L. G. d. (2011). Sistemas Fuzzy Probabilísticos: Geração Automática De Regras E Defuzzificação Bayesiana. Unpublished master's thesis, UTFPR - Unversidade Tecnologica Federal do Paraná.

WANG, L.-X. & Mendel, J. (1992). Generating fuzzy rules by learning from examples.

IEEE Transactions on Systems, Man and Cybernetics 22, 1414 - 1427. YAO, X. (1999). Evolving Artificial Neural Networks.

ZADEH, L. (1965). Fuzzy Sets. Information and Control.

ZADEH, L. A. (1975). The Concept of a Linguistic Variable and its Application to Approximate Reasoning. Journal of Information Science, 199.