Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/47451
Arquivos associados a este item:
Arquivo TamanhoFormato 
DiogoAlvesBrandao_DISSERT.pdf2,32 MBAdobe PDFVisualizar/Abrir
Título: Inteligência artificial e aprendizado de máquina : da teoria ao algoritmo pronto no Ensino Médio
Autor(es): Brandão, Diogo Alves
Orientador(es): Rispoli, Vinicius de Carvalho
Assunto: Inteligência artificial
Aprendizado de máquina
Matemática (Ensino médio)
Data de publicação: 23-Jan-2024
Referência: BRANDÃO, Diogo Alves. Inteligência artificial e aprendizado de máquina: da teoria ao algoritmo pronto no Ensino Médio. 2023. 105 f., il. Dissertação (Mestrado Profissional em Matemática) — Universidade de Brasília, Brasília, 2023.
Resumo: Esta obra aborda o Aprendizado de Máquina da extensão teórica ao funcionamento prático, com ênfase no algoritmo classificador da Máquina de Suporte Vetorial, associado à matemática do Ensino Médio, com a finalidade de favorecer a plena formação educacional. Este trabalho fundamenta-se nas novas estratégias e diretrizes pedagógicas que direcionam para o uso e implementação do Aprendizado de Máquina como um recurso didático e tecnológico da matemática. A abordagem integrada inclui vários conceitos, adversidades e métodos avaliativos do Aprendizado de Máquina, além de promover a expansão artificial do conjunto de treinamento e redução de dimensionalidade. É descrito o funcionamento do modelo linear, de margem suave e com o truque do kernel, incluindo dois exercícios teóricos para o discente. É produzido um brevíssimo tutorial sobre a linguagem de programação Python como suporte da implementação. São propostas seis etapas de implementação com Máquina de Suporte Vetorial, em cada há métricas, curvas e matrizes para avaliação do desempenho.
Abstract: This work addresses the Machine Learning from theory to hands-on with an emphasis on Support Vector Machine classification algorithm associated with high school mathematics in order to improve knowledge and skills. This dissertation is based on new strategies and pedagogical guidelines that direct to the use and implementation of Machine Learning as a didactic and technological resource in Mathematics. Our integrated approach includes many concepts, challenges and performance metrics in Machine Learning, also builds data augmentation and dimensionality reduction. This work describes how work linear, soft margin and kernel trick models, including two theoretically-based activities for the students. This dissertation contains a short Python tutorial in order to help the implementation. Six project steps are proposed with the Support Vector Machine, each one having performance evaluations by metrics, graphics and matrices.
Unidade Acadêmica: Instituto de Ciências Exatas (IE)
Departamento de Matemática (IE MAT)
Informações adicionais: Dissertação (mestrado) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Matemática, Programa de Pós-Graduação em Matemática em Rede Nacional, 2023.
Programa de pós-graduação: Programa de Pós-Graduação em Matemática em Rede Nacional, Mestrado Profissional
Licença: 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.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.