Valutazione degli immobili utilizzando reti neurali artificiali-revisione sistematica della letteratura

0
101
DOI: ESTE ARTIGO AINDA NÃO POSSUI DOI SOLICITAR AGORA!
Valutazione degli immobili utilizzando reti neurali artificiali-revisione sistematica della letteratura
5 (100%) 55 vote[s]
ARTIGO EM PDF

ARTICOLO ORIGINALE

CHAGAS, Edgar Thiago De Oliveira [1]

CHAGAS, Edgar Thiago De Oliveira. Valutazione degli immobili utilizzando reti neurali artificiali-revisione sistematica della letteratura. Rivista scientifica multidisciplinare di nucleo di conoscenza. anno 04, Ed. 04, vol. 05, pp. 55-75 aprile 2019. ISSN: 2448-0959

Il mercato immobiliare è molto importante nell'economia nazionale perché riflette vari aspetti della società. Questa situazione significa che, in valore e qualità, il valore stimato del mercato immobiliare può essere utilizzato come base per il calcolo delle esigenze abitative. In questa prospettiva, i risultati della valutazione dovrebbero essere quanto più accurati possibile, poiché gli errori commessi possono essere dannosi per la maggior parte della popolazione. L'applicabilità dell'RNA e la valutazione delle proprietà sono state studiate. Questo è essenziale per la letteratura di ricerca e per la revisione sistematica della letteratura come metodo di ricerca. Dalla revisione sistematica, è possibile analizzare recenti ricerche sull'RNA al fine di evidenziare modelli predittivi, algoritmi di ottimizzazione, principalmente legati alla valutazione delle proprietà. Si può concludere che le applicazioni dell'RNA nella valutazione delle proprietà devono colmare le lacune nella letteratura.

Parole chiave: rete neurale artificiale, revisione sistematica, valutazione immobiliare.

1. INTRODUZIONE

A seconda della quantità di risorse utilizzate nell'operazione, il mercato immobiliare è una parte molto importante dell'economia nazionale. Per la ricerca in questo mercato, il calcolo delle attività finanziarie si applica alla domanda abitativa della Fondazione mediante una valutazione su larga scala del valore di mercato stimato (PELLI NETO, 2006).

Secondo González (2008), la valutazione della produzione abitativa è un compito che tiene conto delle caratteristiche e delle proprietà particolari delle normali condizioni di mercato. È possibile raggiungere il valore stimato della proprietà sul mercato. Si ritiene normale trovare un equilibrio tra le parti coinvolte nei negoziati.

Hipólito (2007), ci sono diversi metodi e modelli utilizzati in diversi paesi per la valutazione delle proprietà, sulla base della rete di neuroni artificiali (RNA).

Lo scopo di questo studio è quello di studiare l'RNA nella letteratura e di comprendere i campi di applicazione del metodo per il quale la letteratura deve essere sistematicamente valutata. Cerca di comprendere sistematicamente l'argomento e di comprendere la qualità e l'affidabilità della ricerca dei dati.

1,1 GIUSTIFICAZIONE

A causa del comportamento dinamico del mercato immobiliare, si percepisce l'importanza di valorizzare la proprietà. Il nuovo metodo di valutazione doveva tener conto delle esigenze e delle caratteristiche di questa attività, perché la tecnologia attuale ha alcune limitazioni e, pertanto, richiede lo studio di altri metodi.

Secondo pelli Neto (2006), l'uso di reti neurali artificiali nella valutazione degli immobili offre buone prospettive, i risultati ottenuti finora dimostrano che la tecnologia e i dati possono essere rappresentati solo da un modello lineare che valorizza gli strumenti informatici.

2. IL MERCATO IMMOBILIARE

2,1 INTRODUZIONE

Il mercato immobiliare è stato al centro della ricerca di vari enti pubblici e privati a causa della sua importanza nell'economia nazionale. Nello studio di mercato, la valutazione su larga scala del valore di mercato stimato è calcolata in base alle esigenze abitative, concentrandosi sull'uso delle risorse finanziarie. Un altro modo per stimare il valore della ricerca è quello di comprendere l'importanza economica e sociale di questo mercato. La valutazione degli errori di misura o imprecisioni nell'attività non è ideale (FERNANDES, 2003).

Oltre a studiare la domanda abitativa, è anche possibile utilizzare il modello non solo per valutare la qualità, ma anche per definire la pianificazione generale, gli studi di fattibilità economica e i calcoli fiscali per i nuovi progetti immobiliari appartenenti al Società, in particolare IPTU e ITBI (GONZÁLEZ, 2002).

Questo capitolo si concentrerà sull'analisi della letteratura immobiliare, una breve storia dell'inizio e poi una descrizione concettuale del mercato immobiliare, compreso il funzionamento di metodi di valutazione su misura e specifiche basate su processi. Questo capitolo definirà il metodo di confronto dei dati di mercato, che consiste nella valutazione delle proprietà del metodo più comunemente utilizzato.

2,2 MERCATO IMMOBILIARE

Per cominciare, è importante definire il concetto di mercato immobiliare, a differenza di altri mercati.

2.2.1 COS'È IL MERCATO IMMOBILIARE?

Il mercato immobiliare può essere diviso in diverse parti, come appartamenti, case, negozi, uffici, mercati e città (urbane o rurali), magazzini, parcheggi e altri mercati che acquistano e/o vendono (GONZÁLEZ, 2002).

I principali fattori che influenzano le prestazioni e altre attività del mercato immobiliare e di altri mercati, come il mercato automobilistico, elettrodomestici e altri, sono di lunga durata, esclusività, Ubicazione e spazio, nonché che l'intervento della legislazione comunale In vigore. E federale (GONZÁLEZ, 2008).

Il mercato immobiliare avrà una vita utile più lunga, difficile da misurare perché è influenzato dalle proprietà fisiche dei modelli e termina con lo stato di protezione. Dato che la proprietà nel tempo deve eseguire la manutenzione e soddisfare tutti gli standard, l'età effettiva della stessa famiglia può beneficiare della protezione del diverso stato (HAYKIN, 2001).

Diverso non è diverso dalle altre caratteristiche interne ed esterne della proprietà, il patrimonio immobiliare è unico. Tuttavia, alcune parti che hanno una produzione può essere una coincidenza, almeno nella loro posizione o la loro posizione sarà diversa, il mercato immobiliare è paragonabile a nessun altro spazio nella produzione dello stesso pozzo. In questo senso, in molti casi, determinare il valore di una proprietà non è un compito banale che richiede l'uso di conoscenze scientifiche (HIPOLITO, 2007).

Il mercato immobiliare è un meccanismo dinamico di evoluzione nel tempo, influenzato da diversi fattori, sia di valutazione che di ammortamento. Le prestazioni simultanee e disordinate di diversi sviluppatori, appaltatori, costruttori e il potere pubblico stesso hanno portato a questo mercato in continua evoluzione, che riflette direttamente il valore della proprietà o della transazione fornita (PELLI NETO, 2006). Resta da dire, è stato osservato che i mercati immobiliari sono una parte importante, in costante interazione ed è responsabile del prezzo del patrimonio immobiliare.

2.2.2 COMPONENTI DI BASE

I componenti di base del mercato immobiliare sono la commercializzazione di prodotti, vendite e parti interessate relative all'acquisto. Quando c'è un equilibrio tra questi tre componenti, la ricerca statistica nel mercato immobiliare produrrà buoni risultati. Ovviamente, idealmente, ci sono un sacco di informazioni. Ci sono molti venditori, molti acquirenti e molti prodotti provenienti da diverse fonti (DANTAS, 1998).

La missione dell'ingegnere di valutazione è quella di descrivere il mercato immobiliare, sottolineando il grado di equilibrio tra i suoi componenti. Più equilibrato è il saldo, più intensa è la competizione sul mercato e il prezzo più equo. Tuttavia, non esiste un mercato competitivo perfetto ed equilibrato. Tuttavia, gli studi statistici dovrebbero essere evitati quando si tratta di situazioni estreme, come Monopoli o oligopolio (PELLI NETO, 2006).

2,3 PREZZO, COSTO E VALORE DI MERCATO

Al punto 3,44 della norma NBR 14.653, parte 1-procedura generale, si fa riferimento al prezzo di mercato e alla seguente definizione: "nelle attuali condizioni di mercato, negoziare consapevolmente e consapevolmente l'importo più probabile dell'attività alla data di registrazione." (NBR 14,653).

Il numero più probabile di persone che negoziano consapevolmente e volontariamente non corrisponde necessariamente al prezzo al quale i beni sono scambiati o offerti. Il valore di mercato è il risultato di una modellazione matematica e/o di un processo statistico. Questi dati sono raccolti sulla capacità di caratteristiche analoghe a prezzi negoziate o proposti (REZENDE, 2003).

Pertanto, il prezzo e il valore di riferimento sono diversi. Anche se "valore di mercato" si riferisce al valore più probabile della merce, il "prezzo" riflette il numero di transazioni in valuta estera o fornisce prodotti specifici. Una diversa valutazione dell'offerta o prezzo di transazione è estremamente comune. Questa differenza non è considerata molto importante perché, in questo caso, potrebbe essere necessario risolvere il problema per dimostrare che l'importo utilizzato è ragionevole (SAMPAIO, 2007).

Il costo del prodotto non rispecchia il valore di mercato perché la precedente definizione di valore di mercato non è sempre la più probabile per combinare il valore della transazione con il suo costo di produzione. Il valore di mercato può essere inferiore, pari o superiore al costo di produzione (SAMPAIO, 2007).

2,4 METODI BASE

In generale, il valore delle merci può essere determinato secondo tre diversi metodi di base (GONZÁLEZ, 2002):

• Reddito, che determina il valore delle merci derivate dalla loro vita economica.

• Confronto basato sul prezzo di prodotti simili sul mercato;

• Costi, basati sui costi diretti e indiretti della produzione di merci;

In tutti e tre i metodi, il confronto diretto per determinare il valore è il più appropriato e affidabile sul mercato.

2,5 METODI APPLICABILI

Esistono metodi che possono essere utilizzati per valutare l'obiettivo, la disponibilità, la qualità e la quantità di informazioni ottenute durante la valutazione di mercato a causa della natura delle merci da valutare (FERNANDES, 2003).

A seconda dell'uso standard specifico di ABNT, esistono diversi metodi per identificare il valore delle merci. In questo lavoro, il metodo utilizzato è un confronto diretto dei dati di mercato (GONZÁLEZ, 2002).

2,6 CONFRONTO DEI DATI DI MERCATO

La parte 2 della NBR-14653 afferma che il metodo di confronto dei dati di mercato dovrebbe essere utilizzato preferenzialmente. In generale, il metodo di confronto viene utilizzato per determinare il consumo di un determinato articolo. Più alto è il valore dei beni di consumo, maggiore è l'accuratezza della valutazione. Nella relazione di valutazione è economico, è necessario (NBR 14653).

È importante misurare il valore dell'oggetto, che viene utilizzato per confrontare visivamente oggetti simili con un valore di mercato noto (chiamato processo comparativo) (GONZÁLEZ, 2008).

Alcuni fornitori richiedono un controllo dei prezzi, quindi impostano il prezzo medio della pratica e la decisione di acquisto finale in base ai termini di pagamento degli interessi e alla disponibilità della gestione finanziaria (GONZÁLEZ, 2008).

Quando si utilizza il processo di confronto, vengono effettuati dei tentativi per ottenere i valori che rappresentano gli oggetti da valutare sulla base di altri oggetti somiglianze tra di essi. Le differenze esistenti sono deboli o insignificanti. Poiché la comprensione di tutti gli oggetti disponibili in un determinato mercato (popolazione) è generalmente totalmente inaccessibile, il valore medio fornisce una stima media di tutti gli oggetti della popolazione (Haykin, 2001).

Ovviamente, più uniforme è la popolazione analizzata, più omogenee sono i campioni. Pertanto, alla ricerca di un marchio specifico o modello di zero, chilometro auto, la persona dovrebbe confrontare i prezzi, secondo i campioni raccolti può contenere prezzi più elevati e altri bassa e così vicino media aritmetica. Questo fatto si verifica perché il costo di ottenere il prodotto dal produttore è simile. Un altro problema importante è la facilità di ottenere un campione rappresentativo del mercato, che è molto utile per conclusioni affidabili sul valore medio in questi casi (Hipólito, 2007).

D'altra parte, stimando il valore di mercato della produzione abitativa attraverso il processo di confronto, i valutatori affrontano grandi difficoltà, soprattutto se la popolazione è considerata molto diversa, generando un campione eterogeneo. I prodotti offerti non hanno un marchio o un modello sufficientemente standardizzato per renderli uniformi. Inoltre, non dipendono direttamente dai costi di produzione e spesso dalla raccolta. L'ubicazione è legata all'economia sociale (PELLI NETO, 2006).

In entrambi i casi, le modifiche nel campione apparivano intorno alla loro media aritmetica. La differenza è che, in un campione omogeneo di prodotti industriali, questo cambiamento è ridotto e i campioni eterogenei utilizzati come base per misurare il mercato immobiliare di solito mostrano un cambiamento di altezza intorno alla sua media aritmetica. Questo fatto crea una grande incertezza nelle conclusioni sulla media complessiva del prodotto. Infatti, qualsiasi campione selezionato casualmente può contenere una media aritmetica di dati molto diversi. Queste differenze tra i dati raccolti e la media del campione sono una funzione delle differenze fisiche tra i dati, i fattori socioeconomici e la natura casuale del mercato (REZENDE, 2003).

La casualità sempre presente in qualsiasi mercato può essere definita come la soggettività intrinseca di una persona che concede un prezzo a un prodotto che vuole essere venduto. Spetta all'acquirente accettare o meno il prezzo al momento dell'acquisto. Pertanto, non può essere misurato ed è costituito da errori inspiegabili o campioni casuali (DANTAS, 1998).

Nel campione di prodotti industriali, il rapporto tra le differenze fisiche tra i dati è zero o quasi, ma è estremamente importante nel campione del mercato immobiliare, risultante in un campione eterogeneo. Queste differenze fisiche sono una funzione delle caratteristiche intrinseche ed estrinseca del settore immobiliare. Per misurare queste differenze, i dati raccolti mostrano caratteristiche simili del mercato immobiliare. Pertanto, per utilizzare questo metodo, è necessario disporre di un set di dati che può essere confrontato. Il confronto si baserà sulle caratteristiche intrinseche ed estrinseca, come descritto dall'input, dall'interpretazione o dalle variabili indipendenti (NBR 14653).

2,7 STRUTTURA COSTRUTTIVA VARIABILE

Le variabili sono caratteristiche intrinseche ed estrinseca della proprietà. Il valore rappresenta il numero. È importante osservare le relazioni tra le variabili selezionate per verificarne le dipendenze (REZENDE, 2003).

Nel progetto di valutazione, il prezzo di mercato (fornitura o transazione) e le corrispondenti caratteristiche fisiche (area, facciata, Ubicazione di default, parcheggi, ecc.) devono essere considerati come variabili di ingresso indipendenti, come Ubicazione (indice finanziario, ecc.). Urbano e Polo), distanza e tempo (la data in cui si è verificato l'evento) (SAMPAIO, 2007).

La variabile dipendente può essere specificata in base al prezzo totale o al prezzo unitario, di solito in unità monetarie per metro quadrato. La selezione dell'analisi dei dati raccolti durante la definizione e la funzione del modello è selezionata per rappresentare il mercato immobiliare. Abbiamo selezionato la variabile indipendente direttamente correlata alle caratteristiche dei dati di ricerca (interni ed esterni), nonché il tono della diversità del comportamento del mercato immobiliare in ogni regione. Pertanto, quando a priori determina variabili indipendenti, va notato che questo influisce efficacemente e spiega le variazioni del prezzo raccolto (NBR 14653).

3. RETI NEURALI ARTIFICIALI

Gli RNA sono modelli matematici ispirati ai principi dei neuroni biologici e della struttura cerebrale (RUSSELL 2004, RONALDO 2005). Un neurone è una cellula cerebrale la cui funzione principale è quella di raccogliere, elaborare e diffondere segnali elettrici. Ogni neurone è costituito da un corpo cellulare o Soma, che contiene un nucleo cellulare, una serie di braccia chiamate dendriti e un singolo braccio lungo chiamato AXON (RUSSELL, 2004).

Si ritiene che la capacità del cervello di elaborare le informazioni proviene principalmente dalle reti di questi neuroni. La comunicazione da un neurone all'altro, per formare un sistema nervoso completo, avviene attraverso una sinapsi. Synapse è la regione in cui due neuroni entrano in contatto, permettendo la trasmissione di impulsi nervosi (RUSSELL, 2004).

Le reti neurali hanno la capacità di eseguire calcoli distribuiti, tollerare input rumorosi e apprendere. Come il cervello umano, una rete neurale si basa sull'apprendimento, cioè memorizza le conoscenze acquisite in base all'apprendimento e la rende disponibile per prendere decisioni sul problema (RUSSELL, 2004).

La risoluzione dei problemi dell'RNA è molto interessante perché la sua rappresentazione intrinseca e il suo parallelismo, inerenti all'architettura, danno risultati migliori rispetto ai modelli classici. La capacità di apprendere attraverso esempi e generare le informazioni ottenute è indubbiamente l'attrazione principale della soluzione dei problemi per mezzo dell'RNA (BRAGA, CARVALHO e LUDERMIR, 2000).

3,1 IL CONCETTO DI BASE

RNA è un sistema di potenza computazionale attraverso l'apprendimento e la generalizzazione (BRAGA, CARVALHO e LUDERMIR, 2000). A sua volta, la generalizzazione è associata alla capacità di queste reti di fornire una risposta coerente ai dati che non vengono presentati durante la fase di elaborazione e formazione.

L'RNA sarà molto semplice dalla struttura con gli elementi di trattamento, ispirati dall'azione dei neuroni biologici, la connessione tra questi elementi di trattamento, caratterizzati da ogni connessione nella rete, è associato a un peso, che rappresenta l'interazione di peso o Forza di accoppiamento tra gli elementi di trattamento e il fatto che essi sono eccitatorio o inibitorio per natura (HAYKIN, 2001).

L'uso di strutture neurali artificiali, dove le informazioni vengono elaborate e memorizzate in parallelo e attraverso una distribuzione di complessità di componenti di elaborazione di RNA relativamente semplici. Questi elementi possono essere responsabili dell'immissione di informazioni per strato (livello di input)-corrisponde all'argomento utilizzato nel mercato immobiliare, l'elaborazione di queste informazioni (livello intermedio) e i risultati generati (livello di output)- corrispondente alla variabile dipendente e alle unità totali), per un'ulteriore promozione (GONZÁLEZ, 2008).

Il modello biologico neuronale è costituito da una rete cellulare relativamente autonoma, ognuna con una capacità di elaborazione limitata. Le unità sono collegate da connessioni, ognuna con un peso associato corrispondente all'effetto dell'unità nell'elaborazione del segnale di uscita. Il peso positivo corrisponde al fattore di aumento del segnale di ingresso e il peso negativo corrisponde al fattore di inibizione (BRAGA, CARVALHO e LUDERMIR, 2000).

Questo modello ha tipicamente un insieme di unità di input attraverso le quali le informazioni vengono trasmesse alla rete e un insieme di unità di uscita che visualizzano i segnali di uscita dalla rete, nonché un insieme di unità intermedie. Una raccolta di neuroni è molto potente in termini di elaborazione delle informazioni. Concettualmente, RNA può essere considerato come un modello matematico simile alla struttura del cervello umano e in grado di imparare dalle successive generalizzazioni (GONZÁLEZ, 2008).

3,2 NEURONI NATURALI

Il sistema nervoso umano è responsabile di prendere decisioni e adattare il corpo all'ambiente. Questa funzione è fornita da un apprendimento continuo. Il sistema è costituito da cellule responsabili della sua funzione. Ci sono circa 10 miliardi neuroni nel cervello umano e circa 60 mila miliardi connessioni neurali tra di loro (HAYKIN, 2001).

Queste cellule ricevono, producono e forniscono stimoli al cervello. I neuroni sono definiti dalle membrane cellulari, che possiedono alcune proprietà critiche per la funzione cellulare del corpo, come filamenti estesi, dendriti e assoni (BRAGA, CARVALHO e LUDERMIR, 2000). I neuroni sono definiti nel segnale ricevuto, in grado di trasmettere informazioni attraverso dendriti e cellule polarizzate. Quando eccitato, i neuroni trasmettono informazioni ad altri neuroni attraverso impulsi chiamati potenziali di azione. Questi segnali si propagano attraverso gli assoni cellulari sotto forma di onde e vengono convertiti in segnali chimici nelle sinapsi.

I neuroni biologici possono essere considerati dispositivi computazionali di base del sistema nervoso, composti da molti input e output. L'ingresso è formato da una connessione sinaptica che collega i dendriti agli assoni di altre cellule nervose. I segnali che arrivano attraverso questi assoni sono impulsi elettrici chiamati impulsi nervosi o potenziali impulsi di azione e costituiscono informazioni generate dall'elaborazione neurale sotto forma di un impulso neurale in uscita nei loro assoni (GONZÁLEZ, 2008).

A seconda del segnale inviato dall'assone, la sinapsi può essere eccitatoria o inibitoria. L'eccitabilità della connessione aiuta a creare impulsi nervosi negli assoni di uscita, mentre le sinapsi inibitorie agiscono nella direzione opposta (BRAGA, CARVALHO e LUDERMIR, 2000).

Le caratteristiche di base derivano dalla conoscenza della struttura e del comportamento dei neuroni naturali, che vengono utilizzati per creare modelli di neuroni artificiali che simulano neuroni reali. Questi neuroni artificiali sono utilizzati per formare RNA, costituito dai suoi principali elementi di lavorazione (GONZÁLEZ, 2008).

Figura 1 Mostra un modello di Neuron umano.

Figura 1 – neurone naturale

Fonte: (AZEVEDO. 2016).

3,3 NEURON ARTIFICIALE

Braga, Carvalho e Ludermir (2000) descrivono il primo modello artificiale di neurone biologico Warren McCulloch e Walter Pitts nel 1943. Questo modello è stata una semplificazione di ciò che era noto nel tempo dei neuroni biologici. La sua descrizione matematica ha dato un modello con n ingressi che hanno ricevuto i valori x1, X2,…, Xn e una singola uscita Y. Per rappresentare il comportamento delle sinapsi, gli input dei neuroni hanno accoppiato pesi W1, W2,…, WN, i cui valori possono essere positivi o negativi. L'attivazione del neurone viene eseguita dalla funzione di attivazione, che è responsabile della generazione dell'uscita Y del neurone dalla somma dei valori xiwi.

Nuovi modelli artificiali, più attraenti dal punto di vista neurologico, incorporano molte di queste caratteristiche dinamiche dei neuroni biologici. Tuttavia, nonostante numerose semplificazioni nella descrizione del modello di McCulloch e Walter Pitts, questi modelli, quando interconnessi come una rete neurale artificiale, hanno un'elevata potenza di calcolo, la soluzione dei principali problemi complessi (BRAGA, CARVALHO, LUDERMIR, 2000).

Figura 2 rappresenta un modello di neurone artificiale.

Figura 2 – Neuron artificiale

Fonte: (AZEVEDO, 2016).

3,4 FUNZIONI DI ATTIVAZIONE

La funzione di attivazione è responsabile della generazione dell'uscita Y del neurone dai valori dei vettori di peso w e input x. La funzione di attivazione è progettata per soddisfare due aspirazioni. In primo luogo, vogliamo che il lettore sia attivo (vicino a + 1) quando gli input corretti vengono ricevuti e inattivi (vicino a 0) quando vengono ricevute le voci errate. In secondo luogo, l'attivazione deve essere non lineare per i problemi non lineari, altrimenti l'intera rete crollerà (RUSSELL, 2004).

3,5 TOPOLOGIE DI RNA

Le diverse topologie delle reti neurali sono essenzialmente divise in due classi: non ricorrenti o dirette e ricorrenti. Gli RNA non ricorrenti sono quelli che non restituiscono informazioni dai loro output ai loro input e quindi sono anche privi di memoria. Gli RNA ricorrenti utilizzano i loro output per ristabilire i propri input, formando così un sistema dinamico che può raggiungere lo stato stazionario, visualizzare oscillazioni o anche comportamenti caotici. Le reti ricorrenti possono supportare la memoria a breve termine (RUSSELL, 2004).

Gli RNA non ricorrenti sono stratificati e possono essere formati da uno o più layer. Le reti neurali multistrato contengono un set di neuroni di input, un livello di output e uno o più livelli nascosti. Il livello di input della rete distribuisce solo i modelli di input, il livello nascosto genera una codifica interna per i modelli di input, che viene quindi utilizzato dal livello di output di rete, che presenta il risultato finale dell'elaborazione del modello di input. Rete (RONALDO, 2005).

3,6 APPRENDIMENTO

Una delle caratteristiche più importanti delle reti neurali artificiali è la sua capacità di apprendere attraverso esempi (Braga, Carvalho e LUDERMIR, 2000). La fase di apprendimento o formazione consiste nell'aggiornare i pesi sinaptici per acquisire conoscenza dai dati (RONALDO, 2005). Le procedure di formazione che consentono agli RNA di apprendere possono essere raggruppate in due paradigmi principali: apprendimento supervisionato e apprendimento non supervisionato (BRAGA, CARVALHO, LUDERMIR, 2000).

A) apprendimento supervisionato: l'apprendimento supervisionato implica l'apprendimento di una funzione da esempi di input e prodotti. Ciò implica necessariamente l'esistenza di un supervisore esterno o di un insegnante incaricato di stimolare gli input di rete utilizzando modelli di input e osservando l'output calcolato nello stesso modo, confrontandola con l'output desiderato (BRAGA, CARVALHO, LUDERMIR, 2000).

b) apprendimento non supervisionato: l'apprendimento non supervisionato non richiede un vettore di destinazione per le uscite e non effettua un confronto per determinare la risposta ottimale. Non c'è nessun insegnante o supervisore esterno per accompagnare il processo di apprendimento. Solo i modelli di input sono disponibili per la rete e l'esistenza di regolarità in questi dati consente l'apprendimento (BRAGA, CARVALHO, LUDERMIR, 2000).

3,7 ALGORITMO DI BACKPROPAGAZIONE

La propagazione inversa è l'algoritmo di addestramento supervisionato più popolare. Utilizza coppie di input (x, yd) per regolare i pesi di rete utilizzando un meccanismo di correzione degli errori. La formazione avviene in due fasi, la fase a valle disattiva l'uscita di un certo modello di ingresso e il poggiapiedi posteriore aggiorna le creste delle loro connessioni a seconda del risultato desiderato e dell'uscita fornita. (Braga, Carvalho, LUDERMIR, 2000).

Il passaggio successivo include i seguenti passaggi:

1. L'ingresso viene presentato alla rete e viene calcolato l'output dei neuroni del primo livello C1.

2. Le uscite C1 vengono inserite nel livello successivo e l'uscita viene calcolata. Questo processo viene ripetuto fino al livello di uscita CK.

3. Le uscite prodotte dai neuroni vengono confrontate con le uscite desiderate e viene calcolato l'errore corrispondente.

La fase posteriore comprende le seguenti fasi:

1. L'errore di livello di uscita CK viene utilizzato per regolare direttamente i suoi pesi.

2. Gli errori dei neuroni del livello di uscita CK vengono propagati al precedente strato CK-1.

3. Gli errori calcolati per i neuroni CK-1 sono utilizzati per regolare i loro pesi.

4. Il processo viene ripetuto fino a quando i pesi del livello C1 vengono regolati.

4. RETI NEURALI ARTIFICIALI NELLA VALUTAZIONE DEGLI IMMOBILI

Recentemente, la maggior parte dei professionisti coinvolti nell'ingegneria di valutazione non sono ancora consapevoli di questo approccio. Tuttavia, alcuni ricercatori hanno affermato l'importanza di questo nuovo concetto, conducendo ricerche in questo settore e promuovendo effettivamente accettando la rete neurale artificiale. il trattamento 8.2.1.4.3-Scientific è il seguente: "qualunque sia il modello utilizzato per predire il comportamento del mercato e il valore della formazione, dovrebbero spiegare e testare le ipotesi appropriate, adottare misure correttive come le reti neurali L'analisi artificiale, di regressione e di busta dei dati spaziali può essere applicata all'ingegneria di valutazione, purché siano ragionevoli prospettive. e contenuta in (GONZÁLEZ, 2008).

Le reti neurali artificiali rappresentano una tecnologia le cui origini esistono in molte discipline come la neuroscienza, la matematica, le statistiche, la fisica, l'informatica e l'ingegneria. L'applicazione di RNA può essere utilizzata in diversi campi, come la modellazione, l'analisi delle serie temporali, il riconoscimento dei modelli, l'elaborazione e il controllo del segnale. Una funzione importante di questa tecnologia è quella di controllare l'acquisizione dei dati (HAYKIN, 2001).

Nelle diverse definizioni di reti neurali artificiali, tutti hanno elementi considerati fondamentali: neuroni, architettura e apprendimento. I neuroni sono l'unità informatica di base della rete. L'architettura è la struttura di connessione tra i neuroni. L'apprendimento è un processo di regolazione di una rete per calcolare una particolare funzione o eseguire un particolare compito (FERNANDES, 2003).

La ricerca sulle reti neurali artificiali è relativamente nuova. Attualmente, non esiste un libro tecnico che insegna a risolvere completamente l'RNA e la sua applicazione nel progetto di valutazione. Tuttavia, diversi articoli sono stati pubblicati nei congressi dedicati a questa tecnologia e si sono concentrati sulla valutazione tecnica. L'applicazione dei risultati e delle conclusioni di questi studi sostiene il metodo, come ad esempio NBR 14653, valutazione immobiliare, parte 2, in riconoscimento del metodo scientifico (PELLI NETO, 2006).

In generale, Haykin (2001) definisce una rete neurale come una macchina per simulare il modo in cui il cervello esegue una specifica attività o funzione di interesse, attraverso la sua rete di componenti elettronici eseguiti o che simulano un programma informatico. Braga, e Ludermir Carvalho (2000), una rete neurale artificiale è un sistema distribuito parallelo composto da neuroni (unità di elaborazione), che esegue un calcolo della funzione matematica non lineare o lineare. La disposizione dei neuroni è data in uno o più strati di interconnessione da un gran numero di connessioni unidirezionale (regolari) con pesi associati, e le conoscenze rappresentate nel modello vengono memorizzate nell'unità di elaborazione ponderando la Voci. Questo meccanismo di rete è simile alla struttura neuronale biologica del cervello umano.

Il processo di apprendimento è fornito da un algoritmo di apprendimento che può cambiare il peso della rete ordinatamente per raggiungere gli obiettivi del progetto (Haykin, 2001).

Per Rezende (2003), la rete neurale artificiale è un processo di apprendimento associato alla capacità della rete di regolare i suoi parametri in base all'interazione con l'ambiente esterno. Il processo è interattivo per migliorare le prestazioni di rete al punto di interazione con i media. Le prestazioni sono il criterio che determina la qualità del modello e il punto di arresto di training è pre-definito dai parametri di apprendimento. Secondo Rezende (2003), la generalizzazione è correlata alla sua capacità di fornire risposte coerenti ai dati non forniti durante la fase di formazione. Ebbene, possiamo dire che il processo di apprendimento e la generalizzazione sono coerenti.

Braga, Carvalho e Ludermir (2000) sottolineano inoltre l'importanza di questa capacità di apprendere e generalizzare le reti neurali, riflettendo positivamente la risoluzione del problema, migliorando le prestazioni.

Per quanto per la struttura della rete neurale, siamo addestrati strutture neurali artificiali in cui l'elaborazione e la memorizzazione dei dati è in parallelo e distribuito da semplici elementi del processo. La fornitura di questi elementi è responsabile dell'acquisizione di informazioni di base come il mercato immobiliare (livello di input) e l'elaborazione delle informazioni. Queste sono variabili dipendenti-il prezzo (livello di output) viene quindi generalizzato (PELLI NETO, 2006).

Secondo pelli Neto (2006), il numero di ingressi e uscite dipende dalla quantità di dati di ingresso e di uscita, e il numero di neuroni nello strato intermedio dipende dalla complessità. Quando il numero di neuroni nello strato intermedio è molto elevato, i risultati imprevisti, denominati costi incrementali, si verificano quando la rete neurale artificiale definisce più neuroni rispetto alla formazione richiesta (PELLI NETO, 2006).

Presentato nel singolo livello di input della modalità di apprendimento della rete neurale artificiale, è direttamente mappato a un set di modalità di output della rete, cioè, che limita la capacità della rete (FERNANDES, 2003).

5. METODI DI RICERCA

Il metodo di ricerca utilizzato consisteva in una revisione sistematica della letteratura. L'obiettivo era quello di analizzare criticamente il tema della rete neurale artificiale e la sua relazione con la valutazione delle proprietà al fine di utilizzare metodi scientifici. La revisione sistematica comprende un metodo di ricerca che utilizza la letteratura come fonte di dati, applicando metodi di ricerca espliciti e sistematici e combinando informazioni critiche sulla valutazione e la selezione (SAMPAIO e MANCINI, 2007).

Le revisioni sistematiche utilizzano metodi e sistemi chiari per rispondere a domande chiaramente identificate al fine di individuare, selezionare e valutare criticamente le ricerche pertinenti e raccogliere e analizzare i dati di ricerca contenuti nella valutazione (SAMPAIO E MANCINI, 2007).

Il processo di revisione sistematica inizia con le definizioni dello studio oggetto attraverso la ricerca di parole chiave, come le reti neurali artificiali e la valutazione immobiliare per comprendere meglio lo scopo dell'applicazione. Successivamente, il database è stato identificato in base all'oggetto dello studio, è stato utilizzato lo studioso di Google. Nella ricerca iniziale è stato utilizzato come parole chiave "rete neurale artificiale" e "valutazione di immobili", presentando 286 risultati.

Il campione è stato sintetizzato attraverso l'uso di un allineamento di parole chiave nel filtro, il confronto dei titoli, l'allineamento del riassunto e l'analisi dei campioni più lontano dal testo completo. È stato considerato gli articoli sulla valutazione del patrimonio immobiliare e l'ottimizzazione dell'uso, attraverso la letteratura revisione articoli, considerando gli articoli più citati e più recenti. Grazie a questa collezione, la ricerca dell'RNA è progredita. La recente crescita in questo settore può essere vista attraverso il confronto tra 2010 e negli ultimi tre anni, dal 2016 al 2018, in cui si è registrato un aumento del 54% nei primi tre anni.

Dal database sono state analizzate le parole chiave utilizzate nell'articolo e i relativi riferimenti. Gli strumenti utilizzati erano il VOSviewer, utilizzando le tecniche di mappatura e visualizzazione.

Attraverso l'analisi della visualizzazione della rete, è stato possibile visualizzare le consultazioni che coinvolgono l'RNA. Alcuni studi recenti indicano che i modelli predittivi di ottimizzazione hanno principalmente coinvolto la valutazione delle proprietà.

6. Conclusioni

Comprendere la sua analisi qualitativa e quantitativa del mercato immobiliare svolge un ruolo chiave nello sviluppo delle valutazioni immobiliari. È stato possibile realizzare un'analisi di mercato generale con il valutatore, un approccio scientifico per guidare il suo lavoro, carotaggio gli attributi più rilevanti con la ricerca e minimizzando gli errori di stima.

La letteratura brasiliana, specializzata nella valorizzazione immobiliare, con poca attenzione al mercato immobiliare, non produce libri o materiali didattici per la ricerca, dettagliando la costruzione di metodi di ricerca e campionamento, e la definizione di variabili Come algoritmo di pacchetti di dati.

Pertanto, secondo una revisione sistematica della letteratura, si trattava di dati provenienti da segmenti per generare più sub e ottenere risultati soddisfacenti. Tuttavia, il lavoro è di solito fatto sulla base della conoscenza e della struttura del mercato immobiliare.

7. RIFERIMENTI BIBLIOGRAFICI

ASSOCIAZIONE BRASILIANA DELLE NORME TECNICHE (ABNT). NBR 14653-1-procedura generale. Rio de Janeiro: 2004.

ASSOCIAZIONE BRASILIANA DELLE NORME TECNICHE (ABNT). NBR 14653-2 edifici urbani. Rio de Janeiro: 2004.

AZEVEDO, Lucas Pereira de. (2016). APPLICAZIONE DI RETI NEURALI ARTIFICIALI NEL PROCESSO DI ORCHIDEE DEL GENERE CATTLEYA. Disponibile in: <https: www.ifmg.edu.br/sabara/biblioteca/trabalhos-de-conclusao-de-curso/tcc-documentos/tcclucasazevedo.pdf="">.</https:> Accesso: 5 aprile, 2019.

BRAGA, A. P. CARVALHO, A. P. L. F., LUDERMIR, T. B. reti neurali artificiali: teoria e applicazioni. Rio de Janeiro: libri RJ-tecnici e scientifici, 2000.

DANTAS, R. A. ingegneria di valutazione: Introduzione alla metodologia scientifica. San Paolo: pini, 1998.

FERNANDES, A. M. R. intelligenza artificiale: concetti generali. Florianópolis: Visual Books, 2003.

GONZÁLEZ, M. A. S. scopre la conoscenza della valutazione immobiliare delle applicazioni di database e dell'intelligenza artificiale. Tesi (PhD in ingegneria civile)-programma post-laurea in ingegneria civile, UFRGS, Porto Alegre, 2002.

GONZÁLEZ, M. A. S. immobiliare e valutazione del metodo professionale. San Leopoldo, 2008: <http: www.exatec.unisinos.br/~gonzález/aimp/aimp-avaliacoes.ppt="">.</http:> Visitò il 5 febbraio 2019.

HAYKIN, S. Neural Network: principi e prassi. 2. Ed. Porto Alegre: Bookman, 2001.

Metodi e standard HIPÓLITO, C.E. utilizzati nelle valutazioni immobiliari di diversi paesi. Monografia-facoltà di ingegneria architettonica, UFMG, Belo Horizo nte, 2007.

PELLI NETO, A. reti neurali artificiali applicate all'opinione pubblica-caso di studio a Belo Horizonte. Tesi (Master in ingegneria elettrica)-laureato in ingegneria elettrica da UFMG, Belo Horizo nte, 2006.

REZENDE, S. O. Intelligent Systems: concetti e applicazioni di base. Barueri: Manole, 2003.

RONALDO, E. Data mining: una guida pratica. 1. ed. Rio de Janeiro: Campus, Elsevier, 2005. ISBN 85-352-1877-7.

RUSSELL, P. N. S. intelligenza artificiale: traduzione della seconda edizione. 2. ed. Rio de Janeiro: Editora campus, 2004. ISBN 85-352-1177-2.

SAMPAIO, R. F. MANCINI M. C. studio di valutazione sistematica: Guida l'intelligenza globale delle prove scientifiche. Giornale brasiliano di fisioterapia, v. 11, n. 1, pag. 8-8 agosto 2007.

[1] Bachelor of Business Administration.

Inviato: aprile, 2019

Approvato: aprile, 2019

DEIXE UMA RESPOSTA

Please enter your comment!
Please enter your name here