Estudo sobre arquiteturas, regularização e otimização de sistemas de aprendizado profundo.

• Autor(a) principal: CAMINHA, Vítor Leão.
• Data de Publicação: 2020
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFCG
• Texto Completo: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/19135
• topic: Sistemas de aprendizado profundo; Otimização de sistemas de aprendizado profundo; Regularização de sistemas de aprendizado profundo; Arquitetura de sistemas de aprendizado profundo; Redes neurais; Aprendizado profundo; Inteligência artificial; Deep learning systems; Optimizing deep learning systems; Regularization of deep learning systems; Deep Learning Systems Architecture; Neural networks; Deep learning; Artificial intelligence; Engenharia Elétrica.

Devido ao recente desenvolvimento da área do aprendizado profundo no campo da inteligência artificial, muitos conceitos teóricos e práticos ainda se encontram obscuros e com pouca documentação para pesquisadores iniciantes na área. Nesse contexto, esse trabalho de conclusão de curso visa explanar alguns conceitos básicos e suas influências na performance e resultados de sistemas de aprendizado profundo e redes neurais. Além da teoria, implementaram-se experimentos didáticos para exemplificar construções práticas de sistemas com diferentes arquiteturas, para diferentes problemas, comparando-se funções de ativação, algoritmos de otimização e regularização, valores iniciais de parâmetros, entre outros, otimizando-se as redes com escolhas de projeto melhores para os problemas específicos.