Use este identificador para citar ou linkar para este item:
http://www.monografias.ufop.br/handle/35400000/5255
Registro completo de metadados
Campo Dublin Core | Valor | Idioma |
---|---|---|
dc.contributor.advisor | Silva, Pedro Henrique Lopes | pt_BR |
dc.contributor.advisor | Lima, Joubert de Castro | pt_BR |
dc.contributor.author | Silva, Lucas de Souza | - |
dc.date.accessioned | 2023-03-29T13:39:53Z | - |
dc.date.available | 2023-03-29T13:39:53Z | - |
dc.date.issued | 2023 | pt_BR |
dc.identifier.citation | SILVA, Lucas de Souza. Análise e implantação de ferramentas para aprendizado federado local e em nuvem: um breve comparativo entre o treinamento local e federado. 2023. 57 f. Monografia (Graduação em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2023 | pt_BR |
dc.identifier.uri | http://www.monografias.ufop.br/handle/35400000/5255 | - |
dc.description.abstract | O aprendizado federado consiste em uma forma de executar o aprendizado de máquina distribuído sem que o cientista de dados precise conhecer ou obter todos os dados localmente. Essa forma de treinamento envolve não só a área de inteligência artificial, mas também a área de sistemas distribuídos. Neste trabalho, foram exploradas ferramentas disponíveis no mercado para analisar a facilidade de implantação e utilização do aprendizado federado, bem como comparativos breves entre os métodos convencionais e federado. Os resultados mostraram que o aprendizado federado pode ser facilmente utilizado sem que o cientista precise obter conhecimento além do utilizado no treinamento local. Na segunda parte do trabalho, foi dada ênfase à automatização dos procedimentos necessários para a execução do treinamento federado. O objetivo da automação é facilitar o uso e acelerar a curva de aprendizado da ferramenta desenvolvida pela IBM. Além disso, novos experimentos foram realizados com variações na quantidade e proporção dos dados, a fim de analisar como o aprendizado federado lida com essas variáveis. Os resultados obtidos mostram que, dependendo da base de dados analisada, o viés criado pode ser benéfico para a eficiência do treinamento. Para a base de dados apresentada, que é binária, a divisão por classe mostrou-se vantajosa à medida que se aumenta a quantidade de épocas e participantes. Além disso, a criação de um tutorial facilitou significativamente todo o processo, desde a preparação até a execução do treinamento, reduzindo assim o tempo necessário para realizar cada etapa do processo de treinamento. | pt_BR |
dc.language.iso | pt_BR | pt_BR |
dc.subject | Federated learning | pt_BR |
dc.subject | Machine learning | pt_BR |
dc.subject | Sistemas distribuídos | pt_BR |
dc.title | Análise e implantação de ferramentas para aprendizado federado local e em nuvem : um breve comparativo entre o treinamento local e federado. | pt_BR |
dc.type | TCC-Graduação | pt_BR |
dc.contributor.referee | Bianchi, Andrea Gomes Campos | pt_BR |
dc.contributor.referee | Silva, Rodrigo César Pedrosa | pt_BR |
dc.contributor.referee | Silva, Pedro Henrique Lopes | pt_BR |
dc.contributor.referee | Lima, Joubert de Castro | pt_BR |
dc.description.abstracten | Federated learning is a way to execute distributed machine learning without requiring the data scientist to have access to all the data locally. This training approach involves not only the field of artificial intelligence but also distributed systems. In this work, we explored available tools in the market to analyze the ease of implementation and usage of federated learning, as well as brief comparisons between conventional and federated methods. The results showed that federated learning can be easily used without the data scientist needing knowledge beyond that used in local training. In the second part of the work, we focused on automating the procedures necessary for the execution of federated training. The automation aims to facilitate usage and accelerate the learning curve of the IBM-developed tool. In addition, new trainings were carried out with variations in the amount and proportion of data to analyze how federated learning deals with these variables. The results obtained show that, depending on the analyzed dataset, the bias created can be beneficial to the training efficiency. For the presented binary dataset, class division proved to be advantageous as the number of epochs and participants increased. Furthermore, the creation of a tutorial significantly facilitated the entire process, from preparation to training execution, reducing the time required to perform each stage of the training process. | pt_BR |
dc.contributor.authorID | 18.1.4083 | pt_BR |
Aparece nas coleções: | Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
MONOGRAFIA_AnáliseImplantaçãoFerramentas.pdf | 1,45 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciado sob uma Licença Creative Commons