Aprendizagem profunda: estudo e aplicações
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10174/23224 |
Resumo: | Esta tese aborda o tema da Aprendizagem Profunda, estudando-o através da comparação de várias frameworks e utilizando um conjunto de dados composto por imagens de algarismos manuscritos. As frameworks utilizadas para o estudo foram algumas das mais conhecidas, como o Caffe, Theano e TensorFlow, entre outras; realizou-se também um estudo mais aprofundado da Theano com o Keras, TensorFlow com o Keras e Microsoft CNTK. Foi analisado o desempenho de algoritmos pertencentes a três paradigmas da aprendizagem automática (supervisionada, semi-supervisionada e não supervisionada) através do conjunto de imagens de algarismos manuscritos. À data em que foi realizado este trabalho de investigação, constata-se que os métodos de aprendizagem profunda são significativamente melhores do que os existentes na aprendizagem automática, quando os dados são supervisionados ou semi-supervisionados. No que diz ao trabalho com dados não supervisionados, conclui-se que o desenvolvimento ainda está numa fase embrionária. Com este tipo de dados, criam-se modelos que representem uma boa aproximação da realidade; ABSTRACT: This thesis is a study about Deep Learning, comparing various frameworks and using images and manuscript numeric characters datasets. The used frameworks for this study where the most well known, like Caffe, Theano and TensorFlow, among outhers; within this study another one where made focused in Theano with Keras, TensorFlow with Keras and Microsoft CNTK. Taking in account three types of Machine Learning (supervised, semi-supervised and unsupervised) the performance of some algorithms where analyzed using images and manuscripts numbers datasets. At the date when this research study was made, it is verified that the deep learning methods were significatively better than the one’s used in machine learning, when the data are supervised or semi-supervised. When the data is unsuperived, concludes that the development is in the begining. Trying to get a better aproach to build models that could be used with this kind of data. |
id |
RCAP_bdf6945122d90ec64fb3953e36cf89b8 |
---|---|
oai_identifier_str |
oai:dspace.uevora.pt:10174/23224 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Aprendizagem profunda: estudo e aplicaçõesAprendizagem profundaAprendizagem automáticaInteligência artificialRedes neuronaisDeep learningMachine learningArtificila intelligenceNeural networksEsta tese aborda o tema da Aprendizagem Profunda, estudando-o através da comparação de várias frameworks e utilizando um conjunto de dados composto por imagens de algarismos manuscritos. As frameworks utilizadas para o estudo foram algumas das mais conhecidas, como o Caffe, Theano e TensorFlow, entre outras; realizou-se também um estudo mais aprofundado da Theano com o Keras, TensorFlow com o Keras e Microsoft CNTK. Foi analisado o desempenho de algoritmos pertencentes a três paradigmas da aprendizagem automática (supervisionada, semi-supervisionada e não supervisionada) através do conjunto de imagens de algarismos manuscritos. À data em que foi realizado este trabalho de investigação, constata-se que os métodos de aprendizagem profunda são significativamente melhores do que os existentes na aprendizagem automática, quando os dados são supervisionados ou semi-supervisionados. No que diz ao trabalho com dados não supervisionados, conclui-se que o desenvolvimento ainda está numa fase embrionária. Com este tipo de dados, criam-se modelos que representem uma boa aproximação da realidade; ABSTRACT: This thesis is a study about Deep Learning, comparing various frameworks and using images and manuscript numeric characters datasets. The used frameworks for this study where the most well known, like Caffe, Theano and TensorFlow, among outhers; within this study another one where made focused in Theano with Keras, TensorFlow with Keras and Microsoft CNTK. Taking in account three types of Machine Learning (supervised, semi-supervised and unsupervised) the performance of some algorithms where analyzed using images and manuscripts numbers datasets. At the date when this research study was made, it is verified that the deep learning methods were significatively better than the one’s used in machine learning, when the data are supervised or semi-supervised. When the data is unsuperived, concludes that the development is in the begining. Trying to get a better aproach to build models that could be used with this kind of data.Universidade de Évora2018-06-11T14:33:17Z2018-06-112017-11-22T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10174/23224http://hdl.handle.net/10174/23224TID:201809737porDepartamento de Engenharia Informáticag1.jpires@gmail.com498Pires, João Miguel Neves Gusmãoinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-01-03T19:15:14Zoai:dspace.uevora.pt:10174/23224Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T01:14:06.152694Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Aprendizagem profunda: estudo e aplicações |
title |
Aprendizagem profunda: estudo e aplicações |
spellingShingle |
Aprendizagem profunda: estudo e aplicações Pires, João Miguel Neves Gusmão Aprendizagem profunda Aprendizagem automática Inteligência artificial Redes neuronais Deep learning Machine learning Artificila intelligence Neural networks |
title_short |
Aprendizagem profunda: estudo e aplicações |
title_full |
Aprendizagem profunda: estudo e aplicações |
title_fullStr |
Aprendizagem profunda: estudo e aplicações |
title_full_unstemmed |
Aprendizagem profunda: estudo e aplicações |
title_sort |
Aprendizagem profunda: estudo e aplicações |
author |
Pires, João Miguel Neves Gusmão |
author_facet |
Pires, João Miguel Neves Gusmão |
author_role |
author |
dc.contributor.author.fl_str_mv |
Pires, João Miguel Neves Gusmão |
dc.subject.por.fl_str_mv |
Aprendizagem profunda Aprendizagem automática Inteligência artificial Redes neuronais Deep learning Machine learning Artificila intelligence Neural networks |
topic |
Aprendizagem profunda Aprendizagem automática Inteligência artificial Redes neuronais Deep learning Machine learning Artificila intelligence Neural networks |
description |
Esta tese aborda o tema da Aprendizagem Profunda, estudando-o através da comparação de várias frameworks e utilizando um conjunto de dados composto por imagens de algarismos manuscritos. As frameworks utilizadas para o estudo foram algumas das mais conhecidas, como o Caffe, Theano e TensorFlow, entre outras; realizou-se também um estudo mais aprofundado da Theano com o Keras, TensorFlow com o Keras e Microsoft CNTK. Foi analisado o desempenho de algoritmos pertencentes a três paradigmas da aprendizagem automática (supervisionada, semi-supervisionada e não supervisionada) através do conjunto de imagens de algarismos manuscritos. À data em que foi realizado este trabalho de investigação, constata-se que os métodos de aprendizagem profunda são significativamente melhores do que os existentes na aprendizagem automática, quando os dados são supervisionados ou semi-supervisionados. No que diz ao trabalho com dados não supervisionados, conclui-se que o desenvolvimento ainda está numa fase embrionária. Com este tipo de dados, criam-se modelos que representem uma boa aproximação da realidade; ABSTRACT: This thesis is a study about Deep Learning, comparing various frameworks and using images and manuscript numeric characters datasets. The used frameworks for this study where the most well known, like Caffe, Theano and TensorFlow, among outhers; within this study another one where made focused in Theano with Keras, TensorFlow with Keras and Microsoft CNTK. Taking in account three types of Machine Learning (supervised, semi-supervised and unsupervised) the performance of some algorithms where analyzed using images and manuscripts numbers datasets. At the date when this research study was made, it is verified that the deep learning methods were significatively better than the one’s used in machine learning, when the data are supervised or semi-supervised. When the data is unsuperived, concludes that the development is in the begining. Trying to get a better aproach to build models that could be used with this kind of data. |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-11-22T00:00:00Z 2018-06-11T14:33:17Z 2018-06-11 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10174/23224 http://hdl.handle.net/10174/23224 TID:201809737 |
url |
http://hdl.handle.net/10174/23224 |
identifier_str_mv |
TID:201809737 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
Departamento de Engenharia Informática g1.jpires@gmail.com 498 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade de Évora |
publisher.none.fl_str_mv |
Universidade de Évora |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799136622940258304 |