Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/46008
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Luiz Henrique Duczmal | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/2491660334904294 | pt_BR |
dc.contributor.referee1 | Milton Pifano Soares Ferreira | pt_BR |
dc.contributor.referee2 | Denise Bulgarelli Duczmal | pt_BR |
dc.contributor.referee3 | Vinícius Diniz Mayrink | pt_BR |
dc.contributor.referee4 | Uriel Moreira Silva | pt_BR |
dc.creator | Fernando Augusto Melo Duarte Malta | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/5475630474707553 | pt_BR |
dc.date.accessioned | 2022-10-06T00:18:37Z | - |
dc.date.available | 2022-10-06T00:18:37Z | - |
dc.date.issued | 2022-05-25 | - |
dc.identifier.uri | http://hdl.handle.net/1843/46008 | - |
dc.description.abstract | Deep Learning has undergone significant transformations in recent decades, making it the dominant strategy in modeling unstructured data, such as videos, audios, language, and images. Although it came to structured data, it was not able to overcome the popularity of more established methods such as Generalized Linear Models, Gradient Boosted Trees and Bagging. In recent years, promising models have emerged for tabular data that aim to adapt, for neural networks, innovations applied to unstructured data, such as the architecture of transformers, or that tried to simulate processes based on decision trees. This study is an empirical comparison of these models in databases of very different dimensions and sample sizes. It is illustrated by various areas, such as materials science, marketing, biology, and astronomy. | pt_BR |
dc.description.resumo | O Aprendizado Profundo passou por significativas transformações nas últimas décadas, o tornando a ferramenta principal na modelagem de dados não estruturados, como vídeos, áudios, linguagem e imagens. Entretanto, para dados estruturados ele não foi capaz de superar a popularidade de métodos mais estabelecidos, como Modelos Lineares Generalizados, Gradient Boosted Trees e Bagging. Nos últimos anos, modelos promissores emergiram para dados tabulares objetivando adaptar, para redes neurais, inovações aplicadas à dados não estruturados, como a arquitetura dos transformers, ou que tentam simular processos baseados em árvores de decisão. Este estudo é uma comparação empírica desses modelos em bases de dados de dimensões e tamanhos amostrais muito diferentes. Sendo ilustrado por diversas áreas, como ciência dos materiais, marketing, biologia e astronomia. | pt_BR |
dc.description.sponsorship | CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | ICX - DEPARTAMENTO DE ESTATÍSTICA | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Estatística | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Redes Neurais | pt_BR |
dc.subject | Estatística | pt_BR |
dc.subject | Modelagem Preditiva | pt_BR |
dc.subject | Gradient Boosted Trees | pt_BR |
dc.subject | Dados Tabulares | pt_BR |
dc.subject.other | Estatística – Teses | pt_BR |
dc.subject.other | Redes neurais – Teses | pt_BR |
dc.subject.other | Predição – Teses | pt_BR |
dc.subject.other | Gradient Boosted Trees – Teses | pt_BR |
dc.title | Redes neurais para dados tabulares: uma comparação empírica | pt_BR |
dc.title.alternative | Neural networks for tabular data: an empirical comparison | pt_BR |
dc.type | Dissertação | pt_BR |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Redes Neurais para Dados Tabulares Uma Comparação Empírica.pdf | 4.33 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.