AutoML e sua contribuição para o desenvolvimento de modelos para a aprendizagem profunda.

Abstract

O 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.