Redes neurais apoiando a tomada de decisão na análise de crédito bancário e detecção do câncer de mama

Autores/as

  • Lidio mauro Lima de Campos UNIVERSIDADE FEDERAL DO PARÁ
  • Jonathan Cris Pinheiro Garcia Universidade Federal do Pará

DOI:

https://doi.org/10.20397/2177-6652/2019.v19i1.1451

Palabras clave:

Redes Neurais Artificiais, Tomada de Decisão, Validação Cruzada.

Resumen

As Redes Neurais Artificiais (RNAs) tem sido utilizadas nas soluções de variados problemas, dentre eles, os que envolvem tomada de decisões. Neste escopo, o objetivo desta pesquisa é apresentar uma ferramenta que dê suporte ao processo de decisão médica no diagnóstico do câncer de mama e da concessão de crédito bancário a clientes de um banco, por meio da utilização de uma RNA Multilayer Perceptron. Verificando-se sua eficácia e a melhor convergência, por meio do Modelo de Validação Cruzada (k=5), para o treinamento e testes de RNA’s. Os testes foram realizados com diferentes números de neurônios na camada escondida, utilizando-se como comparativo o erro quadrático médio, visando otimizar o desempenho da RNA. Uma taxa de aprendizado em torno de 0,9 foi adequada nas simulações para os dois problemas. Os resultados elencados indicam a eficiência da técnica, para ambos os problemas, haja vista que a capacidade de generalização das RNAs testadas foi em média de 97,31% para o diagnóstico do câncer de mama e 99,1% para a concessão de crédito bancário. 

Biografía del autor/a

Lidio mauro Lima de Campos, UNIVERSIDADE FEDERAL DO PARÁ

Professor Adjunto III da Universidade Federal do Pará - UFPA na Faculdade de Computação / Instituto de Ciências Exatas e Naturais (ICEN). Doutor em Engenharia Elétrica com ênfase em Computação Aplicada pelo Programa de Pós-Graduação em Engenharia Elétrica - PPGGE na mesma instituição (2016), Mestre em Ciência da Computação, Área de Concentração: Sistemas do Conhecimento, pela Universidade Federal de Santa Catarina - UFSC (2001), Graduado em Engenharia Elétrica pela Universidade Federal do Pará - UFPA (1998) e em Tecnólogo em Processamento de Dados pela Universidade da Amazônia - UNAMA. É Certificado PMP-Project Management Professional pelo Project Management Institute (PMI-Pennsylvania-EUA). Na área de pesquisa e desenvolvimento atua em Computação Natural, Aprendizagem de Máquina, Inteligência Computacional , Mineração de Dados e Gerencia de Projetos. Atuou na Universidade Federal do Ceará - UFC, Campus de Quixadá, como professor do Curso de Sistemas de Informação, como Analista de Gestão de Tecnologia da Informação na ETICE-Empresa de Tecnologia da Informação do Ceará (http://www.etice.ce.gov.br/), como Analista de Sistemas na EMBRAPA-Empresa Brasileira de Pesquisas Agropecuárias (www.embrapa.br) e no IDESP - Instituto do Desenvolvimento Econômico, Social e Ambiental do Pará (http://www.idesp.pa.gov.br/). É Membro do IEEE (93403017).

Jonathan Cris Pinheiro Garcia, Universidade Federal do Pará

Possui graduação em Geofisica pela Universidade Federal do Pará(2014). Tem experiência na área de Geociências, com ênfase em Geofísica. E graduando em Sistemas de Informação pela mesma instituição.

Citas

Ajay Kaushik, Shubham Gupta, Manan Bhatia (2018). A Movie Recommendation

System using Neural Networks. International Journal of Advance Research, Ideas and Innovations in Technology, 4(2)

Arora, N., Martins, D., Ruggerio, D., Tousimis, E., Swistel, A., & Osborne, M. P. (2008). Effectiveness of a noninvasive digital infrared thermal imaging system in the detection of breast cancer. The Amerian Journal of Surgery, 196, 523-526.

Bonini, J. A. (2016). Aplicação de algoritmos de árvore de decisão sobre uma base de dados de câncer de mama. Communications and Innovations Gazzete. 1(1), 57-67.

Chatziagorakis, P., Georgoulas, N., Papadopoulou, S., Elmasides, C., Giaouris, D., Seferlis, P., Sirakoulis, Ch. G., Karafyllidis, I., Papadopoulos, A. I., Stergiopoulos, F., Ziogou, C., Ipsakis, D., Voutetakis, S., & Andreadis, I. (2014). Application of neural networks solar radiation prediction for hybrid renewable energy systems. Engineering Applications of Neural Networks, 459, 133-144.

Fabro, J. A. (2001, agosto). Redes neurais artificiais. [Curso de Especialização em Inteligência Computacional]. Recuperado em 01 junho, 2018, de http://www.dainf.ct.utfpr.edu.br/~fabro/IF67D/redesneuraisartificiais.pdf

Gambogi, J. A. (2014). Aplicação de redes neurais na tomada de decisão no mercado de ações. Dissertação de mestrado, Escola Politécnica, Universidade de São Paulo, São Paulo, SP, Brasil.

Geisser, S. (1975). The predictive sample reuse method with applications. J. Am. Stat. Assoc., 70(350), 320-328.

Haykin, S. (1994). Neural netwoks: a comprehensive foundation. New York, NY: Macmillan College Publishing.

Haykin, S. (2001). Redes neurais princípios e prática. Porto Alegre: Bookman.

Holsbach, N., Fogliatto, F. S., & Anzanello, M. J. (2014). Método de mineração de dados para identificação de câncer de mama baseado na seleção de variáveis [versão eletrônica], Ciênc. Saúde Coletiva, 19(4), 1295-1304.

Karishma Dasgaonkar, Swati Chopade (2018). Analysis of multi-layered perceptron,

radial basis function and convolutional neural networks in recognizing handwritten digits. International Journal of Advance Research, Ideas and Innovations in Technology, 4(3).

Kovács, Z. L. (2006). Redes neurais artificiais: fundamentos e aplicações. (4a ed.). São Paulo: Livraria da Física.

Nitin Sharma, Pranshu Agarwal, Upasana Pandey (2018). Offline handwriting

recognition using neural networks. International Journal of Advance Research, Ideas and Innovations in Technology, 4(2)

Nunes, W. V. (2012). Introdução às redes neurais artificiais. In V. Esperidião-Antônio (Ed.). Neurociências: diálogos e interseções. (pp. 1-768). Rio de Janeiro: Rubio.

Rede Neural Artificial, (n.d.). In Wikipedia enciplopedia livre. Recuperado em 01 junho, 2018, de https://pt.wikipedia.org/wiki/Rede_neural_artificial

Sak, H., Senior, A., & Beaufays, F. (2014). Long short-term memory based recurrent neural network architectures for large vocabulary speech recognition. Retrieved June 01, 2018, from arxiv.org/abs/1402.1128

Sánchez, D., & Melin, P. (2014). Optimization of modular granular neural net- works using hierarchical genetic algorithms for human recognition using the ear biometric measure. Engineering Applications of Artificial Intelligence, 27, 41-56.

Sánchez, D., Melin, P., & Castillo, O. (2015). Optimization of modular granular neural networks using a hierarchical genetic algorithm based on the database complexity applied to human recognition. Information Sciences, 309, 73-101.

Skrizhevsky, A., Sutskever, I., & Hinton, G. (2012). ImageNet classification with deep convolutional neural networks. Adv. Neural Inf. Process. Syst., 25, 1097-1105.

Steiner, M. T. A., Soma, N. Y., Shimizu, T., Nievola, J. C., Lopes, F. M., & Smiderle, A. (2004, novembro). Redes neurais e arvores de decisão na análise do crédito bancário. Trabalho apresentado em Simpósio Brasileiro de Pesquisa Operacional, São João del-Rei, MG, Brasil, 36. Recuperado em 01 junho, 2018, de http://www.din.uem.br/sbpo/sbpo2004/pdf/arq0035.pdf

Sutskever, I., Vinyals, O., & Le, Q. V. (2014). Sequence to sequence learning with neural networks. Retrieved June 01, 2018, from http://arxiv.org/abs/1409.3215

Szegedy, C., Zaremba, W., Sutskever, I., Bruna, J., Erhan, D., Goodfellow, I., & Fergus, R. (2014). Intriguing properties of neural networks. Retrieved June 01, 2018, from arxiv.org/abs/1312.6199

Vikas Poonia, Dr. H. L. Tiwari, Dr. Satanand Mishra (2018). Hydrological Analysis by

Artificial Neural Network: A Review. International Journal of Advance Research, Ideas and Innovations in Technology, 4(3) www.IJARIIT.com.

Wang, Y., & Kosinski, M. (2017, October 16). Deep neural networks are more accurate

than humans at detecting sexual orientation from facial images.

Publicado

2019-01-01

Cómo citar

de Campos, L. mauro L., & Garcia, J. C. P. (2019). Redes neurais apoiando a tomada de decisão na análise de crédito bancário e detecção do câncer de mama. Revista Gestão & Tecnologia, 19(1), 90–112. https://doi.org/10.20397/2177-6652/2019.v19i1.1451