Defensa de Tese: «Aprendizaxe Evolutiva de Regras Borrosas para Regresión»

O uso de regras borrosas está moi estendido xa que combina a interpretabilidade das regras coa capacidade da lóxica borrosa de traballar coa imprecisión do razoamento humano e a incerteza dos datos. O método máis empregado para a aprendizaxe automática de sistemas baseados en regras borrosas (FRBS) é o uso de algoritmos evolutivos debido á flexibilidade de codificar calquera parte dun FRBS e a xestión efectiva do equilibrio entre a precisión e a complexidade dos modelos aprendidos. A combinación destas dúas aproximacións xerou un novo campo dentro da computación flexible denominado Genetic Fuzzy Systems (GFSs), sendo o coste computacional un dos principais inconvintes do seu uso xa que os modelos FRBS aprendidos sufren dunha explosión no número de regras e antecedentes cando incrementan o número de exemplos ou variables de entrada.

O obxectivo desta tese é o deseño de GFSs para aprender FRBSs que resolvan problemas de regresión de calquera ámbito, coa finalidade de obter modelos con baixa complexidade pero mantendo unha gran precisión sen facer uso de coñecemento experto sobre o problema a resolver. Esto significa que os GFSs deseñados deben de traballar cos datos "en cru" sen ningún tipo de preprocesamento no proceso de aprendizaxe, de grande interese cando non hai dispoñible información sobre as variables de entrada ou como unha primeira aproximación ao problema. Ademais, os GFSs propostos deben de ser capaces de escalar cos datos para traballar con problemas de grande dimensionalidade.