Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: FRANCISCO ÉRBIO DIAS
DATA: 16/12/2023
HORA: 15:00
LOCAL: Bloco 8 - Centro de Tecnologia
TÍTULO: Otimização de Hiperparâmetros Através de AUTOML em um Sistema de Telemetria para Classificação de Dados Veiculares
PALAVRAS-CHAVES: Telemetria. AutoML. Hiperparâmetro. Aprendizagem de máquina.
PÁGINAS: 78
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Eletrônica Industrial, Sistemas e Controles Eletrônicos
ESPECIALIDADE: Controle de Processos Eletrônicos, Retroalimentação
RESUMO:

A otimização de hiperparâmetros desempenha um papel fundamental em aprendizado de máquina,
afetando significativamente o desempenho do modelo. Para simplificar o desenvolvimento de
modelos eficientes, as técnicas de Aprendizado de Máquina Automatizado (AutoML) ganharam
destaque, permitindo a construção de modelos de aprendizado de máquina de maneira mais
eficiente. Neste estudo é utilizado quatro algoritmos de aprendizagem de máquinas: K-NN,
Redes Neurais Artificiais tipo MLP, algoritmo Random Forest e o Extreme Gradient Boosting
com o método validação cruzada e a técnica do k-fold, com folds igual a 10, fazendo o uso
das principais bibliotecas de AutoML Python, aplicadas em dois bancos de dados veiculares
obtidos em um sistema de telemetria, através da interface OBD II. Os resultados dos algoritmos
de otimização de hiperparâmetros mostraram desempenho superior quando comparado com os
resultados sem a utilização de técnicas de AutoML, nas taxas de acerto em todos os modelos de
técnicas de aprendizagem de máquinas aplicados

MEMBROS DA BANCA:
Interno - 1644191 - JOSE MEDEIROS DE ARAUJO JUNIOR
Interno - 289819 - OTACILIO DA MOTA ALMEIDA
Externo ao Programa - 1446435 - VINICIUS PONTE MACHADO

Cadastrada em: 29/11/2023