Mostrar registro simples

Método do gradiente estocástico para otimização de funções separáveis em aprendizagem de máquina

dc.contributor.advisorSiqueira, Abel Soares, 1986-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências Exatas. Curso de Graduação em Matemáticapt_BR
dc.creatorSilva, Rogério Otavio Mainardes dapt_BR
dc.date.accessioned2024-01-23T21:56:23Z
dc.date.available2024-01-23T21:56:23Z
dc.date.issued2021pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/86192
dc.descriptionOrientador: Prof. Dr. Abel Soares Siqueirapt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Graduação em Matemáticapt_BR
dc.descriptionInclui referênciaspt_BR
dc.description.abstractResumo : Neste trabalho estudamos e implementamos os algoritmos do Gradiente Descendente e Gradiente Estocástico com mini-batch, algoritmos clássicos do contexto da Aprendizagem de Máquina implementados aqui em um pacote de linguagem Julia para a resolução de problemas de Regressão Linear e Logística. Apresentamos os conceitos e definições básicas da Aprendizagem de Máquina e a formulação dos problemas de Regressão Linear e Logística. Para a resolução destes problemas, são introduzidos conceitos de otimização e a construção dos algoritmos com seus devidos embasamentos teóricos. Além disso, são apontados os detalhes e particularidades da implementação do algoritmo, com suas motivações e testes de funcionalidadept_BR
dc.format.extent1 recurso online : PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectAlgorítmos de computadorpt_BR
dc.subjectOtimização matemáticapt_BR
dc.subjectJulia (Linguagem de programação de computador)pt_BR
dc.titleMétodo do gradiente estocástico para otimização de funções separáveis em aprendizagem de máquinapt_BR
dc.typeTCC Graduação Digitalpt_BR


Arquivos deste item

Thumbnail
Nome:
R G ROGERIO OTAVIO MAINARDES ...
Tamanho:
3.691Mb
Formato:
PDF
Visualizar/Abrir

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples