Navegando por Palavras-chave "Deep learning"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Classificação automática em teste de toxicidade embrio-larval de ouriço-do-mar (echinometra lucunter) por meio de técnicas de aprendizado de máquinas
    (Universidade Federal de São Paulo, 2023-12-04) Robinson, Yasmin Mohamad [UNIFESP]; Choueri, Rodrigo Brasil [UNIFESP]; Pereira, André Luiz Vizine [UNIFESP]; http://lattes.cnpq.br/5977522212667911; http://lattes.cnpq.br/0408418557980214; http://lattes.cnpq.br/8129289263876571; Universidade Federal de São Paulo (UNIFESP)
    O teste de desenvolvimento embrio-larval de ouriço do mar é amplamente utilizado na ecotoxicologia. Apesar de nacional e internacionalmente padronizado, existe a possibilidade de variação na leitura dos resultados uma vez que esta é feita pelo elemento humano, cuja decisão de se uma larva apresenta desenvolvimento anômalo ou normal, em muitos casos, pode variar dependendo do observador. Por isso, entende-se vantajosa a criação de uma ferramenta de inteligência artificial que possa realizar, de maneira automática, a partir de imagens dos organismos após fixação ao final do tempo de exposição, a identificação, contagem e determinação dos indivíduos anômalos em uma amostra, o que por fim determina o nível de toxicidade desta amostra, diminuindo a ambiguidade e os erros de classificação na execução do teste. Para o presente trabalho, portanto, foram utilizadas redes neurais de aprendizado profundo apresentando a arquitetura de rede VGG-16 para a construção de dois modelos de classificação referentes ao teste de toxicidade embrio-larval de ouriços do mar capazes de distinguir 4 níveis de desenvolvimento larvais/embrionários diferentes da espécie Echinometra Lucunter e que contasse com a distinção de detritos. O modelo construído com 5 classes reportou uma acurácia global de predição de 83% na validação, enquanto o modelo montado com apenas as 4 classes de desenvolvimento larvais reportou uma acurácia de 86%, mostrando uma performance muito próxima à de especialistas humanos e superior a outro método de aprendizado de máquina empregado em trabalho publicado.
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Desenvolvimento de uma modelagem para previsão da distribuição e consumo de energia elétrica de clientes livres
    (Universidade Federal de São Paulo, 2022-04-26) Rick, Rodney [UNIFESP]; Berton, Lilian [UNIFESP]; http://lattes.cnpq.br/9064767888093340; http://lattes.cnpq.br/1798020491667471
    O uso eficiente de energia elétrica é importante para o setor de distribuição, bem como para a população em geral, já que a construção de novos geradores traz grandes impactos sócio-ambientais. Nesse trabalho, explorou-se a predição na distribuição e no consumo de energia elétrica de uma distribuidora no Brasil. Para isso, foi desenvolvida uma metodologia simplificada para tratar múltiplas séries temporais que apresentem diferentes características, como sazonalidade, ciclo e tendências e que tem início e fim em momentos diferentes da linha do tempo. Desenvolvemos modelos de predição baseados em Deep Learning (DL) (Convolutional Neural Network (CNN), Long short-term memory (LSTM), Autoencoders (AE)) para estimar a distribuição e consumo de energia. Também, estudamos arquiteturas diferenciadas através de combinação de hyperparâmetros e busca do modelo mais adequado com otimização bayesiana. Realizou-se um comparativo com métodos clássicos, probabilísticos e baseado em DL. Os resultados mostram-se promissores e o erro médio obtido pelo método proposto foi menor que o Temporal Convolutional Network (TCN), outro modelo que pode considerar múltiplas séries temporais.