| Resumo: | Esta tese aborda o tema da Aprendizagem Profunda, estudando-o através da comparação de várias frameworks e utilizando um conjunto de dados composto por imagens de algarismos manuscritos. As frameworks utilizadas para o estudo foram algumas das mais conhecidas, como o Caffe, Theano e TensorFlow, entre outras; realizou-se também um estudo mais aprofundado da Theano com o Keras, TensorFlow com o Keras e Microsoft CNTK. Foi analisado o desempenho de algoritmos pertencentes a três paradigmas da aprendizagem automática (supervisionada, semi-supervisionada e não supervisionada) através do conjunto de imagens de algarismos manuscritos. À data em que foi realizado este trabalho de investigação, constata-se que os métodos de aprendizagem profunda são significativamente melhores do que os existentes na aprendizagem automática, quando os dados são supervisionados ou semi-supervisionados. No que diz ao trabalho com dados não supervisionados, conclui-se que o desenvolvimento ainda está numa fase embrionária. Com este tipo de dados, criam-se modelos que representem uma boa aproximação da realidade; ABSTRACT: This thesis is a study about Deep Learning, comparing various frameworks and using images and manuscript numeric characters datasets. The used frameworks for this study where the most well known, like Caffe, Theano and TensorFlow, among outhers; within this study another one where made focused in Theano with Keras, TensorFlow with Keras and Microsoft CNTK. Taking in account three types of Machine Learning (supervised, semi-supervised and unsupervised) the performance of some algorithms where analyzed using images and manuscripts numbers datasets. At the date when this research study was made, it is verified that the deep learning methods were significatively better than the one’s used in machine learning, when the data are supervised or semi-supervised. When the data is unsuperived, concludes that the development is in the begining. Trying to get a better aproach to build models that could be used with this kind of data.
|
|---|