Comparação de redes neurais aplicadas a previsão com o Google Colab

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAndo, José Kimio-
Autor(es): dc.contributorAlcântara, Sílvia dos Reis-
Autor(es): dc.contributorPereira, Valdecy-
Autor(es): dc.creatorCavalcanti, André Gomes Prado-
Data de aceite: dc.date.accessioned2024-07-11T18:47:18Z-
Data de disponibilização: dc.date.available2024-07-11T18:47:18Z-
Data de envio: dc.date.issued2022-02-09-
Data de envio: dc.date.issued2022-02-09-
Data de envio: dc.date.issued2022-01-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/24540-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/777591-
Descrição: dc.descriptionEsse estudo tem como objetivo comparar o uso de diferentes processadores e arquiteturas em redes neurais aplicadas a um mesmo problema de previsão. São apresentados fundamentos da técnica de redes neurais e das bibliotecas TensorFlow e Keras utilizadas na implementação em Python. É proposta uma metodologia para se treinar 12 redes neurais utilizando-se quatro arquiteturas (direta simples, direta com camadas, LSTM e convolucional) e três processadores (CPU, GPU e TPU) no ambiente Google Colab. As redes neurais são aplicadas à mesma base de dados. Os resultados de performance e tempo de processamento são comparados estatisticamente. Concluiu-se que utilizar diferentes processadores numa mesma arquitetura não afetou o desempenho da rede e, ao contrário do esperado, não se reduziu o tempo de processamento. Por sua vez ao se usar diferentes arquiteturas com o mesmo processador, concluiu-se que com redes mais complexas a performance melhora e o tempo de processamento aumenta.-
Descrição: dc.descriptionThe objective of this work is to compare the different uses of the processors and architectures in neural networks applied to the same problem of forecasting. The research presents the fundamentals techniques of the neural networks and the TensorFlow and Keras libraries used in the Python development. The methodology adopted is to train 12 different neural networks using 4 types of architecture (Simple Feedforward, Feedforward with layers, LSTM and Convolutional) and 3 processors (CPU, GPU and TPU) in the Google Colab platform. The neural networks were applied to the same database. The results of performance and training time were compared in a statistical test. In the results, using different processors in the same architecture did not affect the performance and, contrary to expectations, the training time did not decrease. Otherwise, using different architectures with the same processor proved to have better performance and a slower training time in a more complex neural network.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherNiterói-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectRedes Neurais-
Palavras-chave: dc.subjectMachine Learning-
Palavras-chave: dc.subjectPrevisão-
Palavras-chave: dc.subjectGoogle Colab-
Palavras-chave: dc.subjectRede neural-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectPrevisão-
Palavras-chave: dc.subjectNeural Networks-
Palavras-chave: dc.subjectMachine Learning-
Palavras-chave: dc.subjectForecasting-
Palavras-chave: dc.subjectGoogle Colab-
Título: dc.titleComparação de redes neurais aplicadas a previsão com o Google Colab-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.