PPGCC - Programa de Pós-graduação em Ciência da Computação
URI permanente desta comunidadehttp://www.hml.repositorio.ufop.br/handle/123456789/596
Navegar
3 resultados
Resultados da Pesquisa
Item ChurNAS : uma busca de arquitetura neural para previsão de desligamento de clientes.(2023) Almeida, Marcus Daniel de; Moreira, Gladston Juliano Prates; Luz, Eduardo José da Silva; Moreira, Gladston Juliano Prates; Luz, Eduardo José da Silva; Silva, Ivair Ramos; Meneghini, Ivan ReinaldoA Predição de desligamento de clientes PDC (do inglês Customer Churn Pre- diction) é fundamental para a gestão eficiente de clientes, uma vez que permite a otimização da lucratividade por meio de estratégias de marketing informadas e cam- panhas de retenção. Nesse contexto, o presente estudo propõe uma nova abordagem, chamada ChurNAS, baseada em algoritmo genético para a busca de arquiteturas neurais (Neural Architecture Search - NAS) em problemas de PDC na indústria de serviços financeiros. Ao contrário dos modelos tradicionais, como regressão logística e árvore de decisão, as redes neurais profundas apresentam maior versatilidade para modelagem de dados complexos. No entanto, a busca pela arquitetura ideal em redes neurais profundas ́e um desafio devido `a sua alta complexidade. Os resultados demonstram que a abordagem ChurNAS encontrou modelos com desempenho supe- rior aos classificadores tradicionais ajustados por otimiza ̧c ̃ao de hiperparâmetros. A abordagem proposta obteve uma acurácia de 88,6%, em comparação com 82,54% do XG-Boost e 82,49% do Floresta Aleatória. Al ́em disso, alcançou uma sensibilidade de 58,89%, enquanto o XG-Boost e o Floresta Aleatória apresentaram 57,1% e 57,81%, respectivamente. Quanto `a precisão, a abordagem ChurNAS obteve 39,41%, superando o XG-Boost (26,96%) e o Floresta Aleatória (26,17%). Adicionalmente, o estudo examinou o impacto da quantidade de dados e da capacidade do modelo, enfatizando a importância de considerar a natureza temporal das transações financei- ras ao utilizar redes neurais para PDC. Em suma, este trabalho destaca o potencial da abordagem ChurNAS para solucionar problemas de PDC no setor de servi ̧cos financeiros e melhorar a eficiência do gerenciamento de clientes.Item Uma rede U-Net modificada para segmentação de lesões de pele em imagens dermatoscópicas.(2022) Araujo, Graziela Silva; Cámara Chávez, Guillermo; Oliveira, Roberta Barbosa; Cámara Chávez, Guillermo; Oliveira, Roberta Barbosa; Ferreira, Anderson Almeida; Saúde, André VitalO diagnóstico auxiliado por computador pode ser viável para o diagnóstico precoce de câncer de pele. Para isso a tarefa de segmenta- ção de imagem desempenha um papel importante. A segmentação de uma imagem é um processo do qual a imagem é dividida, e a região de interesse é destacada, nesse caso, a lesão de pele pigmentada é segmentada. A segmentação de imagens dermatoscópicas é um desa- fio para os métodos tradicionais de segmentação e também para os métodos de aprendizado de máquina devido às diferentes condições de imagem. Há uma variação significativa na cor, textura, forma, tamanho e localização nas imagens dermatoscópicas. Além disso, po- dem conter imagens com variação de iluminação e diversos artefatos, como pelos, régua, bolhas de ar/óleo e amostra de cor. As imagens dermatoscópicas são adquiridas a partir de um dermatoscópio que permite que eventuais lesões possam ser visualizadas considerando estruturas nas camadas mais profundas da pele. Enfim, a arquitetura U-Net, é amplamente utilizada na literatura para segmentar imagens dermatoscópicas. O presente trabalho propõe um modelo baseado na arquitetura U-Net para segmentação de lesão de pele em imagens dermatoscópicas. Ainda, apresenta um estudo de ablação para jus- tificar as modificações feitas no modelo U-Net original, sendo elas, o número de épocas de treinamento, tamanho da imagem, funções de ativação e otimização, dropout e número de blocos convolucionais. Experimentos foram realizados nos conjuntos de dados ISIC 2017 e ISIC 2018 e mostram que é possível chegar a um modelo simples capaz de apresentar resultados competitivos em relação a outros trabalhos de última geração com os devidos ajustes em seus parâmetros.Item Reconhecimento de caracteres em imagens com ruído usando Deep Learning.(2017) Peixoto, Sirlene Pio Gomes da Silva; Gomes, David Menotti; Gomes, David Menotti; Bianchi, Andrea Gomes Campos; Cámara Chávez, Guillermo; Todt, Eduardo; Ferreira, Anderson AlmeidaDevido à degradação e baixa qualidade em imagens com ruído, como imagens de cenas naturais e CAPTCHAs (Completely Automated Public Turing test to tell Computers and Humans Apart) baseados em texto, o problema de reconhecimento de caracteres continua a ser extremamente desafiador. Neste trabalho, estudamos três abordagens diferentes de redes convolucionais (otimização de arquitetura com filtros aleatórios, aprendizado de filtros não supervisionado e supervisionado) que visam melhorar as representações de característica dessas imagens por meio de deep learning. Nós realizamos experimentos no amplamente utilizado dataset The Street View House Numbers (SVHN), em um novo dataset de CAPTCHAS criado por nós, e em um dataset de placas brasileiras. A abordagem que aprende os pesos dos filtros por meio do algoritmo back-propagation utilizando a técnica data augmentation e a estratégia de agregação de algumas camadas localmente conectadas à rede convolucional obteve resultados promissores para o dataset CAPTCHA (97,36% de acurácia para caracteres e 85,4% para CAPTCHAs) e resultados muito próximos ao estado da arte em relação ao dataset SVHN (97,45 % de acurácia para dígitos). Já no dataset de placas brasileiras, que contém um número de amostras muito inferior aos demais, a abordagem que realiza a otimização de arquitetura com filtros aleatórios obteve os resultados mais promissores. Além disso, analisamos o comportamento da abordagem deep learning que realiza o aprendizado supervisionado de filtros diante da exposição do dataset SVHN a interferências adversas.