Use este identificador para citar ou linkar para este item: http://www.monografias.ufop.br/handle/35400000/6625
Registro completo de metadados
Campo Dublin CoreValorIdioma
dc.contributor.advisorMedeiros, Talles Henrique dept_BR
dc.contributor.authorCosta, Lucas Henrique Lírio-
dc.date.accessioned2024-03-06T17:55:41Z-
dc.date.available2024-03-06T17:55:41Z-
dc.date.issued2024pt_BR
dc.identifier.citationCOSTA, Lucas Henrique Lírio. AutoML e sua contribuição para o desenvolvimento de modelos para a aprendizagem profunda. 2024. 41 f. Monografia (Graduação em Engenharia de Computação) - Instituto de Ciências Exatas e Aplicadas, Universidade Federal de Ouro Preto, João Monlevade, 2024.pt_BR
dc.identifier.urihttp://www.monografias.ufop.br/handle/35400000/6625-
dc.description.abstractO Aprendizado de Máquina Automatizado (AutoML) é uma área de estudo da Inteligência Artificial (IA) que propõe a criação e configuração de modelos de aprendizado de máquina com mínima ou nenhuma interferência humana. A abordagem deste trabalho foca na otimização de hiperparâmetros, que são parâmetros de configuração do modelo não treináveis que afetam diretamente seu desempenho. Para isto, foi empregada a Otimização Bayesiana e uma função de perda multiobjetivo baseada na Escalarização Chebyshev, cujo os objetivos são o erro de treinamento, medido pela função de entropia cruzada, e a complexidade do modelo, medida pela regularização L2. Os experimentos foram realizados através de códigos na linguagem Python, utilizando a biblioteca KerasTuner e escritos em notebooks do Google Colaboratory. O trabalho obteve resultados satisfatórios, como um modelo que apresentou 99,34% de acurácia ao ser aplicado na base de dados MNIST, e foram identificados pontos de melhorias e aproveitamento do estudo em trabalhos futuros.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectEntropia - teoria da informaçãopt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectOtimização matemáticapt_BR
dc.subjectProbabilidadespt_BR
dc.titleAutoML e sua contribuição para o desenvolvimento de modelos para a aprendizagem profunda.pt_BR
dc.typeTCC-Graduaçãopt_BR
dc.rights.licenseEste trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1).pt_BR
dc.contributor.refereeRibeiro, Eduardo da Silvapt_BR
dc.contributor.refereeAlexandre, Rafael Fredericopt_BR
dc.contributor.refereeMedeiros, Talles Henrique dept_BR
dc.description.abstractenAutomated Machine Learning (AutoML) is a subfield of Artificial Intelligence (AI) that proposes the creation and configuration of machine learning models with minimal or no human interference. The approach of this work focuses on hyperparameter optimization, which refers to the optimization of non-trainable model configuration parameters, that directly impact its performance. For this purpose, were used Bayesian Optimization and a multi-objective loss function based on Chebyshev Scalarization, wich objectives include minimizing the training error, measured by the cross-entropy loss function, and the model’s complexity, measured by L2 regularization. The experiments were conducted using Python code, through the KerasTuner library and implemented in Google Colaboratory notebooks. The results were satisfactory, showcasing a model with 99.34% accuracy, applied on the MNIST dataset, and areas for improvement and study for future work were highlighted.pt_BR
dc.contributor.authorID17.1.8012pt_BR
Aparece nas coleções:Engenharia de Computação - JMV

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
MONOGRAFIA_AutoMLContribuiçãoDesenvolvimento.pdf1,77 MBAdobe PDFVisualizar/Abrir


Os itens na BDTCC estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.