Título :	Arquitetura CUDA: estudo de caso sobre a soma de vetores
metadata.dc.creator:	SILVA, Henrique Matheus Ferreira da
Palabras clave :	Inteligência Artificial;Aprendizado Supervisionado;Redes neurais
Fecha de publicación :	2017
Editorial :	Universidade Federal do Oeste do Pará
Citación :	SILVA, Henrique Matheus Ferreira da. Arquitetura CUDA: estudo de caso sobre a soma de vetores. Orientador: Anderson Alvarenga de Moura Meneses. 2017. 11 p. Trabalho de Conclusão de Curso - Artigo (Bacharelado Interdisciplinar em Ciência e Tecnologia) - Instituto de Engenharia e Geociências, Universidade Federal do Oeste do Pará, 2017. Disponível em: https://repositorio.ufopa.edu.br/jspui/handle/123456789/1511. Acesso em:
metadata.dc.description.resumo:	O Aprendizado Profundo (Deep Learning) é uma subárea de Aprendizado de Máquina (Machine Learning), que investiga técnicas para simular o comportamento do cérebro humano. No presente trabalho apresenta-se uma análise de arquiteturas de Deep Learning na solução de um problema de Classificação. Para tanto, utilizou-se a base de dados wine quality dataset (Cortez et al., 2009). Foram analisadas 9 arquiteturas de Deep Learning,com variações no número de neurônios e camadas ocultas, de forma a comparar seus desempenhos usando as métricas: Acurácia, Precisão, Recall e F1 Score. Posteriormente foi utilizado o teste de Kruskal-Wallis para avaliar se há diferença estatisticamente significativa entre as arquiteturas com a finalidade de reduzir o custo computacional para futuras aplicações. Verificou-se que a diferença entre os desempenhos não é estatisticamente significativa (com α = 5%) para nenhuma das métricas utilizadas para este conjunto de dados, sendo assim possível usar a arquitetura menos complexa sem comprometer os resultados obtidos, reduzindo o custo computacional.
URI :	https://repositorio.ufopa.edu.br/jspui/handle/123456789/1511
Aparece en las colecciones:	IEG - TCC - Bacharelado Interdisciplinar em Ciência e Tecnologia

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons