Campo DC | Valor | Idioma |
dc.contributor.advisor | Sobral, Yuri Dumaresq | pt_BR |
dc.contributor.author | Carvalho, Raquel Souza | pt_BR |
dc.date.accessioned | 2025-03-17T19:41:40Z | - |
dc.date.available | 2025-03-17T19:41:40Z | - |
dc.date.issued | 2025-03-17 | - |
dc.date.submitted | 2024-07-31 | - |
dc.identifier.citation | CARVALHO, Raquel Souza. Análise do desempenho de redes neurais artificiais em problemas de classificação multiclasse. 2024. 98 f. Dissertação (Mestrado em Matemática) — Universidade de Brasília, Brasília, 2024. | pt_BR |
dc.identifier.uri | http://repositorio.unb.br/handle/10482/51941 | - |
dc.description.abstract | Este trabalho aborda a aplicação de redes neurais para problemas de classificação multiclasse, explorando e comparando o desempenho de múltiplas arquiteturas. Inicialmente,
são apresentados os fundamentos matemáticos das redes neurais, incluindo a definição de
neurônios artificiais, funções de ativação e o processo de treinamento utilizando retropropagação. Define-se arquitetura, neste trabalho, como a combinação da quantidade de camadas
ocultas e de neurônios por camadas da rede. Utilizando um conjunto de dados padronizado
para classificação multiclasse, e fixando os hiperparâmetros, as redes neurais são treinadas e
testadas, e as taxas de acurácia são avaliadas de forma estatística. Os resultados demonstram
que arquiteturas com maior disparidade de dimensionalidade entre as camadas tendem a ter
um desempenho pior em comparação com as redes que possuem arquiteturas com distribuição de neurônios mais uniformes. Por outro lado, redes que tenham disparidade significativa
em sua arquitetura podem alcançar bom índice de acurácia, desde que seu treinamento seja
feito de maneira diferenciada. A análise detalhada dos resultados permite identificar algumas
das configurações que tendem a exprimir precisão e eficiência. Conclui-se que a escolha da
arquitetura ideal, que normalmente depende das especificidades do problema e dos recursos
disponíveis, pode ser determinante no desempenho da rede e, portanto, destaca-se a importância de uma abordagem experimental na otimização de redes neurais para classificação
multiclasse. | pt_BR |
dc.language.iso | por | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.title | Análise do desempenho de redes neurais artificiais em problemas de classificação multiclasse | pt_BR |
dc.type | Dissertação | pt_BR |
dc.subject.keyword | Redes neurais | pt_BR |
dc.subject.keyword | Aprendizado de máquina | pt_BR |
dc.subject.keyword | Problemas multiclasse | pt_BR |
dc.subject.keyword | Arquitetura de redes neurais | pt_BR |
dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
dc.description.abstract1 | This work addresses the application of neural networks to multiclass classification problems, exploring and comparing the performance of multiple architectures. Initially, the
mathematical foundations of neural networks are presented, including the definition of
artificial neurons, activation functions and the training process using backpropagation. Architecture is defined, in this work, as the combination of the number of hidden layers and
neurons per layer of the network. Using a standardized dataset for multiclass classification,
and fixing the hyperparameters, neural networks are trained and tested, and accuracy rates
are statistically evaluated. The results demonstrate that architectures with greater disparity in
dimensionality between layers tend to have worse performance compared to networks that
have architectures with more uniform neuron distribution. On the other hand, networks that
have significant disparities in their architecture can achieve a good accuracy rate, as long as
their training is carried out differently. Detailed analysis of the results allows us to identify
some of the configurations that tend to express precision and efficiency. It is concluded that
the choice of the ideal architecture, which usually depends on the specifics of the problem
and the available resources, can be decisive in the performance of the network and, therefore,
the importance of an experimental approach in optimizing neural networks for multiclass
classification is highlighted. | pt_BR |
dc.description.unidade | Instituto de Ciências Exatas (IE) | pt_BR |
dc.description.unidade | Departamento de Matemática (IE MAT) | pt_BR |
dc.description.ppg | Programa de Pós-Graduação em Matemática | pt_BR |
Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|