Iniciação científica em Inteligência Artificial 2018-2019
Aprendizado de Máquina via Aprendizagem Profunda: Comparação de modelos de aprendizado de máquina e de aprendizado profundo
Com o avanço da indústria 4.0, da complexidade e do volume de dados, além dos estudos na área de computação, a popularidade de técnicas de inteligência artificial aumentou. Existe um esforço, tanto por parte do mercado quanto da academia, na utilização dos modelos de aprendizado de máquina e de aprendizado profundo para a resolução dos mais diversos problemas, como automação industrial e tomadas de decisão. Este trabalho de iniciação científica se propõe a estudar essas duas abordagens, o aprendizado de máquina clássico e o aprendizado profundo, com o objetivo de comparar um conjunto de métodos, identificando características mais adequadas a cada classe de aplicação. O estudo envolve a análise de cinco métodos de aprendizado de máquina, sendo eles a Máquina de Vetores de Suporte, o Naïve Bayes, as Florestas Aleatórias, o Perceptron de Múltiplas Camadas e o K-médias; e de aprendizado profundo, a Rede Neural Profunda, a Rede Neural Convolucional e a Rede Neural Autocodificadora, aplicados a quatro diferentes tipos de conjuntos de dados: um conjunto de dados numérico simples, Seismic-Bumps, um de imagens, o MNIST, um de textos, o Large Movie Review, e por fim, um de áudios, o UrbanSound8K. Os testes realizados possibilitaram avaliar o comportamento dos modelos de aprendizado aplicados a conjuntos de dados com características distintas, disponibilizando um indicativo da técnica mais adequada para classificar ou agrupar um conjunto de dados.
Palavras-chave: Aprendizado de máquina. Aprendizado profundo. Classificação. Agrupamento.