Análise comparativa de técnicas de aprendizado de máquina implementadas em hardwares de baixo custo

Detalhes bibliográficos
Autor(a) principal: Moreno Junior, José Edson
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

Registros relacionados