Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Oliveira, Luiz Eduardo Soares de, 1971- | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | - |
Autor(es): dc.creator | Maldonado, Lucas Vinicio | - |
Data de aceite: dc.date.accessioned | 2025-09-01T13:21:10Z | - |
Data de disponibilização: dc.date.available | 2025-09-01T13:21:10Z | - |
Data de envio: dc.date.issued | 2024-02-07 | - |
Data de envio: dc.date.issued | 2024-02-07 | - |
Data de envio: dc.date.issued | 2021 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/79959 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/79959 | - |
Descrição: dc.description | Orientador: Luiz Eduardo S. Oliveira | - |
Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data. | - |
Descrição: dc.description | Inclui referências | - |
Descrição: dc.description | Resumo: Entre as diversas categorias de tarefas atualmente viáveis para o Processamento de Linguagem Natural, a classificação de texto é uma das de maior destaque pela sua versatilidade entre domínios e aplicações especificas. Na consolidação global da utilização das redes sociais, nas quais inúmeras pessoas compartilham informações das mais diversas naturezas, encontra-se a aplicação de distinguir quais fatos são reais. No meio desse escopo, a classificação efetiva de noticias relativas a desastres e incidentes possui particular elevância, de forma a governos e órgãos de auxilio atuarem com a maior agilidade possível com o objetivo de reduzir e amenizar danos. Neste artigo são comparados o desempenho de 3 algoritmos clássicos de machine learning e um de deep learning (BERT), que possui representações contextuais treinadas em redes neurais profundas, na classificação de tweets relativos a desastres reais. Os resultados apresentados por meio de métricas de desempenho demonstram que o BERT supera significativamente os demais algoritmos nesta tarefa. | - |
Descrição: dc.description | Abstract: Among the high diversity of categories related to practicable tasks nowadays in Natural Language Processing, text classification is one of the highlights by the versatility amid domains and specific applications. By the global usage consolidation of social networks, where innumerable people share information about all sorts of nature, we find the application of determining which facts are real. In this scope, the effective classification of news related to disasters and incidents has a particular relevance, in order to governments and rescue agencies act as soon as possible to reduce damages. In this article the performance of 3 classical machine learning algorithms and one deep learning (BERT), with contextual representations trained on deep neural networks, are compared for the classification of tweets related to real disasters. The results by performance metrics shows that BERT overcomes significantly the remaining algorithms in this task | - |
Formato: dc.format | 1 recurso online : PDF. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Palavras-chave: dc.subject | Processamento da linguagem natural (Computação) | - |
Palavras-chave: dc.subject | Aprendizado do computador | - |
Palavras-chave: dc.subject | Desastres | - |
Título: dc.title | Classificação de tweets relevantes em situação de desastre | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: