Obra centra-se no estudo do princípio da minimização da entropia dos erros (MEE) como critério de aprendizagem para máquinas de classificação (Foto: DR)
Joaquim Marques de Sá, Luís Silva e Jorge M. Santos, investigadores do polo do Instituto Nacional de Engenharia Biomédica (INEB) na Faculdade de Engenharia da U.Porto (FEUP), e Luís Alexandre, investigador da Universidade da Beira Interior (UBI) são os autores do livro “Minimum Error Entropy Classification”, publicado recentemente pela Springer na sua coleção Studies in Computational Intelligence.
O livro representa o resultado de cerca de sete anos de trabalhos numa nova área de investigação da “inteligência computacional”: classificação automática de dados usando a entropia dos erros, em que os autores apresentam de forma articulada os resultados da investigação desenvolvida no âmbito do grupo que constituíram no INEB/FEUP: NNIG – Neural Networks Interest Group. Destinado aos leitores interessados nas áreas de machine learning e de reconhecimento de padrões, o livro apresenta uma abordagem didática, em que os resultados teóricos são acompanhados de exemplos ilustrativos.
Um dos principais enfoques da obra está no estudo do princípio da minimização da entropia dos erros (MEE) como critério de aprendizagem para máquinas de classificação. Os investigadores destacam que este estudo é pioneiro, uma vez que o princípio MEE nunca fora aplicado anteriormente à classificação de dados. Este princípio é estudado quer sob o ponto de vista teórico, através da apresentação proposições, lemas e teoremas, inclusive no âmbito da estatística matemática, quer sob o ponto de vista prático, onde é apresentado aplicações a dados reais utilizando várias máquinas de classificação.
Os autores descrevem a obra, em que os primeiros capítulos estudam com detalhe e de forma analítica o princípio MEE para o caso de erros contínuos e discretos, distinguindo a versão teórica da versão empírica do critério. Também é dedicado um capítulo a dois critérios inovadores de caracterização dos erros que surgem como alternativas ao método MEE e a outros tradicionais. O último capítulo aborda a aplicação prática dos vários critérios estudados à uma grande variedade de máquinas de classificação (perceptrões multicamada, árvores de decisão, redes neuronais recorrentes, redes neuronais de valores complexos e redes neuronais modulares). São também discutidos aspetos de implementação e de otimização destes algoritmos e apresentadas inúmeras experiências que comparam as novas abordagens e as tradicionais.
