Please use this identifier to cite or link to this item:
http://www.monografias.ufop.br/handle/35400000/6625
Title: | AutoML e sua contribuição para o desenvolvimento de modelos para a aprendizagem profunda. |
Authors: | Costa, Lucas Henrique Lírio |
metadata.dc.contributor.advisor: | Medeiros, Talles Henrique de |
metadata.dc.contributor.referee: | Ribeiro, Eduardo da Silva Alexandre, Rafael Frederico Medeiros, Talles Henrique de |
Keywords: | Aprendizado do computador Entropia - teoria da informação Inteligência artificial Otimização matemática Probabilidades |
Issue Date: | 2024 |
Citation: | COSTA, 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. |
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. |
metadata.dc.description.abstracten: | Automated 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. |
URI: | http://www.monografias.ufop.br/handle/35400000/6625 |
metadata.dc.rights.license: | Este trabalho está sob uma licença Creative Commons BY-NC-ND 4.0 (https://creativecommons.org/licenses/by-nc-nd/4.0/?ref=chooser-v1). |
Appears in Collections: | Engenharia de Computação - JMV |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
MONOGRAFIA_AutoMLContribuiçãoDesenvolvimento.pdf | 1,77 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.