Please use this identifier to cite or link to this item: https://repositorio.ufopa.edu.br/jspui/handle/123456789/1511
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1MENESES, Anderson Alvarenga de Moura-
dc.date.accessioned2024-03-17T00:50:50Z-
dc.date.available2024-03-17T00:50:50Z-
dc.date.issued2017-
dc.identifier.citationSILVA, 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:pt_BR
dc.identifier.urihttps://repositorio.ufopa.edu.br/jspui/handle/123456789/1511-
dc.languagept_BRpt_BR
dc.publisherUniversidade Federal do Oeste do Parápt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.sourcePDFpt_BR
dc.subjectInteligência Artificialpt_BR
dc.subjectAprendizado Supervisionadopt_BR
dc.subjectRedes neuraispt_BR
dc.titleArquitetura CUDA: estudo de caso sobre a soma de vetorespt_BR
dc.typeArticlept_BR
dc.description.resumoO 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.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programNot applicablept_BR
dc.publisher.initialsUFOPApt_BR
dc.creatorSILVA, Henrique Matheus Ferreira da-
dc.publisher.departmentInstituto de Engenharia e Geociênciaspt_BR
Appears in Collections:IEG - TCC - Bacharelado Interdisciplinar em Ciência e Tecnologia

Files in This Item:
File Description SizeFormat 
TCC_ArquiteturaCudaEstudo.pdf5,74 MBAdobe PDFView/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons