O documento descreve o algoritmo Self-Organized Map (SOM), que mapeia dados multidimensionais em um espaço bidimensional de forma que dados similares sejam agrupados. O SOM usa aprendizagem competitiva para atribuir cada dado de entrada a um nó do mapa com base em similaridade, preservando a topologia dos dados. Aplicações incluem mapas de calor de mercados financeiros e agrupamento de produtos por atributos.
O documento descreve o algoritmo Self-Organized Map (SOM), que mapeia dados multidimensionais em um espaço bidimensional de forma que dados similares sejam agrupados. O SOM usa aprendizagem competitiva para atribuir cada dado de entrada a um nó do mapa com base em similaridade, preservando a topologia dos dados. Aplicações incluem mapas de calor de mercados financeiros e agrupamento de produtos por atributos.
O documento descreve o algoritmo Self-Organized Map (SOM), que mapeia dados multidimensionais em um espaço bidimensional de forma que dados similares sejam agrupados. O SOM usa aprendizagem competitiva para atribuir cada dado de entrada a um nó do mapa com base em similaridade, preservando a topologia dos dados. Aplicações incluem mapas de calor de mercados financeiros e agrupamento de produtos por atributos.
O algoritmo SOM, Self-Organized Map, possui a Universidade de Pernambuco Como funciona?
propriedade de transformar um mapa multidimensional Escola Politécnica de Pernambuco
O algoritmo de Kohonen ordena os objetos i, frequentemente em bidimensional, adicionando os elementos ao novo Engenharia da computação organizados em uma grade retangular, atribuindo-os ao vetor mapa de tal forma que os objetos similares sejam Prof. Fernando Buarque modelo, denominado mi, no espaço multidimensional. Cada posicionados próximos uns dos outros. ‘Easter-egg’: Self-Organized item xk é mapeado para a unidade do mapa ck mais adequada, Apresenta duas importantes características: utiliza conforme a menor distância entre mi e xk definida pela aproximação dos pontos similares onde os mesmos são Map (SOM) fórmula [2]: ck = argmin i xk – mi processados separadamente e permite ao mapa obter Este algoritmo utiliza o método de aprendizagem por centros em um plano bidimensional disponibilizando competição (competitive learning), considerado o mais uma visualização facilmente compreensível. O comum nas RNA auto organizáveis, permitindo que aconteça principal objetivo de um SOM é o mapeamento não- o aprendizado dividindo-se os padrões de entrada dos dados linear do conjunto de dados de entrada, mantendo a sua em conjuntos inseparáveis. Este método avalia os neurônios estrutura topológica, de uma maneira que padrões de saída da rede de maneira que ocorra uma competição entre adjacentes nos dados sejam associados a neurônios eles, tendo-se como resultado o neurônio que possui maior adjacentes no arranjo do SOM. ativação. A rede neural de Kohonen é composta por duas camadas: a de entrada e de Kohonen. Cada nó da camada de Motivação entrada tem a função de distribuir os valores padrões para a O algoritmo SOM deve ser utilizado com as de Kohonen, que é um conjunto de nodos organizados de motivações (1) de realizar um agrupamento que utiliza Aplicações forma tabular. O vetor de entrada possui seus elementos redes neurais e (2) reduzir a dimensão de um grupo de conectados com cada nó da camada Kohonen por meio de Mapas de calor da Bolsa de valores dados, conseguindo manter a representação real com ligações, as quais são responsáveis por manterem atualizados relação as propriedades relevantes dos vetores de Mapas auto-organizáveis podem ser usados em mapas os valores durante o processo de treinamento da RNA. entrada, tendo-se como resultado um conjunto reduzido de movimento de mercado. às vezes é necessário ter das características do espaço de entrada. um panorama global do mercado e o mapa de calor de mercado é uma ferramenta muito útil. As ações no As vantagens da utilização do SOM é que ele pode ser mapa são agrupadas de acordo com setores econômicos usado para classificar o input de uma maneira não- Uso supervisionada, o que é muito útil em vários níveis de onde a cor atual da ação depende de sua taxa atual de Um mapa de auto-organização (SOM) ou mapa de crescimento (em %). categorização linguística. É um modelo que possui também recursos de auto-organização (SOFM) é um tipo de fácil visualização e entendimento bastante flexibilidade, é rede neural artificial (RNA) que é treinada usando Agrupamento de produtos capaz de representar estruturas hierárquicas implícitas e aprendizagem não supervisionada para produzir uma modelar aspectos específicos de redes neurais biológicas. Um exemplo simples da aplicação de SOM é feito por representação discretizada de baixa dimensão um sistema de agrupamento de alimentos onde os Uma das desvantagens do SOM, é que ele é um algoritmo (normalmente bidimensional) do espaço de entrada alimentos são agrupados em regiões de semelhança dotado de bastante subjetividade nos critérios de formação das amostras de treinamento, chamado de mapa, e é, com base em três parâmetros, que de categorias. Outra desvantagem é que oferece resultados portanto, um método para fazer a redução de são proteína, carboidrato e gordura. parciais e necessita da análise e interpretação de especialistas dimensionalidade. para elucidar as questões levantadas pela formação de Os mapas auto-organizáveis diferem de outras redes agrupamentos. neurais artificiais, pois aplicam aprendizagem Equipe 10: competitiva em oposição à aprendizagem de correção Estagiários: Ivo Carille, Flávio Oliveira de erros (como retropropagação com descida Visitante: Júlio Taveira gradiente) e no sentido de que usam uma função de Pós graduandos: Diogo Moraes, Janilton Barbosa vizinhança para preservar as propriedades topológicas Graduandos: Thiago Porfirio, Yves Gregório do espaço de entrada. Produzido em 15/03/2021