| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.73 MB | Adobe PDF |
Authors
Abstract(s)
ABSTRACT:
Over the years the risk of developing diseases related to poor alimentation has
been increasing. Many of these diseases are caused by obesity. Obesity is a
silent disease related to being overweight, which due to its rapid growth has
become a public health problem. Worldwide obesity has nearly tripled since
1975. Obesity can lead to health problems like type 2 diabetes, cardiovascular
disease, and even cancer. The main factors that result in obesity are a sedentary
lifestyle and a poor diet. Although obesity is uncured, it can be avoided/treated
through a healthier lifestyle and diet. Amid so much information about diets
and healthier recipes, it can be difficult to find a diet that meets the needs
of each person. Recommendation systems can filter from a large dataset, the
information that best suits the profile of each user. Due to the constant in crease in information and computational power, recommendation systems have
evolved from a traditional approach to a deep-learning one. Recommendation
systems are a hot topic in deep learning. Research in the food recommendation
systems area has seen little development when compared to recommendations
systems in other areas, such as leisure and entertainment. A powerful tool to
use in food recommendation systems is neural networks. Neural networks play
an important role in our society, for their capacity to learn from complex and
high-dimensional data. One side down of neural networks is the difficulties if not
impossibility in understanding how the predictions are being made. The behind the-scenes often remain opaque, leading neural networks to be characterized as
“black boxes”. With this research, we aim to give contribute to understanding
how neural networks operate underneath and make them more transparent and
so more trustworthy. With this goal in mind, we propose the use of a secondary
model to predict the errors of a primary neural network. By analyzing the error
predictions of the second model, we aim to gain insights into its decision-making
process. With this approach, we hope not only to help to understand the func tioning of neural networks but also to provide an idea of how to improve their
performance. Improving neural networks’ understanding can make them more
simple and accessible. With the work developed through this research, we look
to stride towards making neural networks more transparent and explainable,
thereby enhancing trust in these powerful models.
RESUMO: Ao longo dos anos, o risco de desenvolver doenças relacionadas a má alimentação tem aumentado. Muitas destas doenças são causadas pela obesidade. A obesidade é uma doença silenciosa relacionada com o excesso de peso, que devido ao seu rápido crescimento tornou-se um problema de saúde pública. A nível mundial a obesidade quase que triplicou desde 1975. A obesidade pode levar a problemas de saúde como diabetes do tipo 2, doenças cardiovasculares e até mesmo cancro. Os principais fatores que resultam na obesidade são um estilo de vida sedentário e uma dieta pobre. Embora a obesidade não tenha cura, pode ser evitada/tratada através da adoção de um estilo de vida e de uma dieta mais saudáveis. No meio de tanta informação sobre dietas e receitas saudáveis, pode ser difícil encontrar uma dieta que satisfaça as necessidades de cada pessoa. Os sistemas de recomendação podem filtrar a partir de um grande conjunto de dados a informação que melhor se adapta ao perfil de cada utilizador. Devido ao constante aumento de informação e de poder computacional, os sistemas de recomendação evoluíram desde uma abordagem tradicional para uma abordagem de deep learning. Os sistemas de recomendação são um tema quente na ´area de deep learning. A investigação na ´area dos sistemas de recomendação alimentar tem visto pouco desenvolvimento quando comparada com os sistemas de recomendação em outras ´areas, como lazer e entretenimento. Uma ferramenta poderosa a utilizar nos sistemas de recomendação alimentar são as redes neurais. As redes neurais desempenham um papel importante na nossa sociedade, pela sua capacidade de aprender a partir de dados complexos e de alta dimensão. Um dos lados negativos das redes neurais é a dificuldade, se não a impossibilidade, de compreender como as previsões estão a ser feitas. Os processos de decisão permanecem frequentemente opacos, levando as redes neurais a serem caracterizadas como ”caixas pretas”. Com esta investigação, pretendemos contribuir para a compreensão de como as redes neurais operam debaixo dos panos e torná-las-ás mais transparentes e, portanto, mais confiáveis. Com este objetivo em mente, propomos o uso de um segundo modelo para prever os erros de uma rede neural. Ao analisar as previsões de erro do segundo modelo, pretendemos obter noções sobre o processo de tomada de decisão da rede neural. Com esta abordagem, esperamos não só ajudar a entender o funcionamento das redes neurais, mas também fornecer uma ideia de como melhorar o seu desempenho. Melhorar a compreensão das redes neurais pode torná-las-ás mais simples e acessíveis. Com o trabalho desenvolvido através desta investigação, procuramos avançar no sentido de tornar as redes neurais mais transparentes e explicáveis, aumentando assim a confiança nestes modelos poderosos.
RESUMO: Ao longo dos anos, o risco de desenvolver doenças relacionadas a má alimentação tem aumentado. Muitas destas doenças são causadas pela obesidade. A obesidade é uma doença silenciosa relacionada com o excesso de peso, que devido ao seu rápido crescimento tornou-se um problema de saúde pública. A nível mundial a obesidade quase que triplicou desde 1975. A obesidade pode levar a problemas de saúde como diabetes do tipo 2, doenças cardiovasculares e até mesmo cancro. Os principais fatores que resultam na obesidade são um estilo de vida sedentário e uma dieta pobre. Embora a obesidade não tenha cura, pode ser evitada/tratada através da adoção de um estilo de vida e de uma dieta mais saudáveis. No meio de tanta informação sobre dietas e receitas saudáveis, pode ser difícil encontrar uma dieta que satisfaça as necessidades de cada pessoa. Os sistemas de recomendação podem filtrar a partir de um grande conjunto de dados a informação que melhor se adapta ao perfil de cada utilizador. Devido ao constante aumento de informação e de poder computacional, os sistemas de recomendação evoluíram desde uma abordagem tradicional para uma abordagem de deep learning. Os sistemas de recomendação são um tema quente na ´area de deep learning. A investigação na ´area dos sistemas de recomendação alimentar tem visto pouco desenvolvimento quando comparada com os sistemas de recomendação em outras ´areas, como lazer e entretenimento. Uma ferramenta poderosa a utilizar nos sistemas de recomendação alimentar são as redes neurais. As redes neurais desempenham um papel importante na nossa sociedade, pela sua capacidade de aprender a partir de dados complexos e de alta dimensão. Um dos lados negativos das redes neurais é a dificuldade, se não a impossibilidade, de compreender como as previsões estão a ser feitas. Os processos de decisão permanecem frequentemente opacos, levando as redes neurais a serem caracterizadas como ”caixas pretas”. Com esta investigação, pretendemos contribuir para a compreensão de como as redes neurais operam debaixo dos panos e torná-las-ás mais transparentes e, portanto, mais confiáveis. Com este objetivo em mente, propomos o uso de um segundo modelo para prever os erros de uma rede neural. Ao analisar as previsões de erro do segundo modelo, pretendemos obter noções sobre o processo de tomada de decisão da rede neural. Com esta abordagem, esperamos não só ajudar a entender o funcionamento das redes neurais, mas também fornecer uma ideia de como melhorar o seu desempenho. Melhorar a compreensão das redes neurais pode torná-las-ás mais simples e acessíveis. Com o trabalho desenvolvido através desta investigação, procuramos avançar no sentido de tornar as redes neurais mais transparentes e explicáveis, aumentando assim a confiança nestes modelos poderosos.
Description
Keywords
Calorias Deep Learning Machine Learning Erro MAE MSE RMSE Redes Neurais Previsões MLP RF SHAP