Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFABC |
Texto Completo: | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=122116 |
Resumo: | Orientador: Prof. Dr. Murilo Bellezoni Loiola |
id |
UFBC_9b4fae8d145e2f6b9e88c98095075123 |
---|---|
oai_identifier_str |
oai:BDTD:122116 |
network_acronym_str |
UFBC |
network_name_str |
Repositório Institucional da UFABC |
repository_id_str |
|
spelling |
Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custoAPRENDIZADO COMPUTACIONALHARDWARE BAIXO CUSTOMACHINE LEARNINGLOW-COST HARDWAREPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABCOrientador: Prof. Dr. Murilo Bellezoni LoiolaDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2020.Devido à facilidade de acesso a hardwares de alto desempenho, há um crescimento exponencial da utilização dos algoritmos e das técnicas de aprendizado de máquina nos últimos anos. Em paralelo a isso, o acesso à Internet tem se popularizado e a prova disso é que estamos cercados de dispositivos inteligentes como televisores, celulares, assistentes pessoais e outros dispositivos portáteis, como relógios, por exemplo. Além disso, vários equipamentos industriais de baixo custo e com hardware simples para aplicações específicas, como dispositivos de monitoramento ambiental, controles remotos, câmeras, começam a ser dotados de acesso à Internet, o que possibilita a utilização de algoritmos de aprendizado de máquina, rodando em um servidor ou cluster externo (na nuvem), para análise dos dados obtidos. Com este cenário, é útil saber quais são as restrições para execução dos algoritmos de aprendizagem de máquina em hardware de baixo custo, bem como os respectivos desempenhos. Isto se faz necessário, pois nem sempre é possível processar os dados coletados por estes dispositivos em equipamentos de maior poder de processamento. Neste trabalho, é proposta uma avaliação de alguns algoritmos de aprendizado de máquina, analisando as necessidades de memória para execução destes algoritmos, implementando em um conjunto de hardwares de uso comum do mercado, efetuando comparativos e análise do uso de memória do algoritmo com o hardware.Due to the ease of access to high performance hardwares there has been an exponential growth in the use of algorithms and machine learning techniques in recent years. In parallel to this, Internet access has popularized and the proof of this is that we are surrounded by smart devices such as televisions, cell phones, personal assistants and other portable devices, such as watches, for example. In addition, several low-cost industrial equipment with simple hardware for specific applications, such as environmental monitoring devices, remote controls, cameras, start to be equipped with Internet access, which allows the use of machine learning algorithms, running in an external server or cluster (in the cloud), to analyze the obtained data . With this scenario it is useful to know what are the restrictions for running machine learning algorithms on low-cost hardware, as well as the respective performances. This is necessary as it is not always possible to process the data collected by these devices in equipments with greater processing power. Hence, in this work an evaluation of some machine learning algorithms implemented on a set of commonly used low-cost hardware is done, trying to determine the needs of these algorithms with respect to memory requirements and making comparative analysis of the use of memory of each algorithm within each hardware.Loiola, Murilo BellezoniFerrari, RafaelRibeiro, João Henrique RanhelMoreno Junior, José Edson2020info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf116 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=122116http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=122116&midiaext=79200http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=122116&midiaext=79199Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=122116porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2022-03-21T13:13:59Zoai:BDTD:122116Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2022-03-21T13:13:59Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false |
dc.title.none.fl_str_mv |
Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo |
title |
Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo |
spellingShingle |
Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo Moreno Junior, José Edson APRENDIZADO COMPUTACIONAL HARDWARE BAIXO CUSTO MACHINE LEARNING LOW-COST HARDWARE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC |
title_short |
Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo |
title_full |
Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo |
title_fullStr |
Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo |
title_full_unstemmed |
Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo |
title_sort |
Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo |
author |
Moreno Junior, José Edson |
author_facet |
Moreno Junior, José Edson |
author_role |
author |
dc.contributor.none.fl_str_mv |
Loiola, Murilo Bellezoni Ferrari, Rafael Ribeiro, João Henrique Ranhel |
dc.contributor.author.fl_str_mv |
Moreno Junior, José Edson |
dc.subject.por.fl_str_mv |
APRENDIZADO COMPUTACIONAL HARDWARE BAIXO CUSTO MACHINE LEARNING LOW-COST HARDWARE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC |
topic |
APRENDIZADO COMPUTACIONAL HARDWARE BAIXO CUSTO MACHINE LEARNING LOW-COST HARDWARE PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC |
description |
Orientador: Prof. Dr. Murilo Bellezoni Loiola |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020 |
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://biblioteca.ufabc.edu.br/index.php?codigo_sophia=122116 |
url |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=122116 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=122116&midiaext=79200 http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=122116&midiaext=79199 Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=122116 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 116 f. : il. |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFABC instname:Universidade Federal do ABC (UFABC) instacron:UFABC |
instname_str |
Universidade Federal do ABC (UFABC) |
instacron_str |
UFABC |
institution |
UFABC |
reponame_str |
Repositório Institucional da UFABC |
collection |
Repositório Institucional da UFABC |
repository.name.fl_str_mv |
Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC) |
repository.mail.fl_str_mv |
|
_version_ |
1801502106966818816 |