Use este identificador para citar ou linkar para este item: https://rd.uffs.edu.br/handle/prefix/2097
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisor1Duarte, Denio-
dc.creatorFank, Elias Augusto-
dc.date2018-07-05-
dc.date.accessioned2018-08-30T18:52:04Z-
dc.date.available2018-08-30T18:52:04Z-
dc.date.issued2018-
dc.identifier.urihttps://rd.uffs.edu.br/handle/prefix/2097-
dc.description.abstractDeep learning techniques has been showing advances in various Machine learning tasks. However, the implementation of these techniques is very complex. Thus, to help the implementation of Deep learning projects, software tools are being proposed. A considerable amount of these tools already exists. This leads to a difficulty on the choice of who is looking to start a project. In order, to assist in this choice, this work brings a comparative study between the open source and distributed Apache Singa, Graphlab and H2O platforms. Detailed test results using a database composed of images and another composed of alphanumeric attributes were produced. And aspects such as training time, prediction time, hardware resource utilization and accuracy of the algorithms of each platform were evaluated.pt_BR
dc.description.resumoTécnicas de Deep learning vem mostrando avanços em várias tarefas de Machine learning. Porém a implementação dessas técnicas é muito complexa. Assim, para ajudar na implementação de projetos de Deep learning, softwares estão sendo criados. Já existe uma quantidade considerável desses softwares disponível, o que acaba trazendo uma dificuldade na escolha de quem procura começar um projeto. Com o objetivo de auxiliar nessa escolha, esse trabalho traz um estudo comparativo entre as plataformas open source e distribuídas Apache Singa, Graphlab e H2O. Resultados detalhados de testes com uma base de dados compostas por imagens e outra composta por atributos alfanuméricos foram produzidos. Aspectos como o tempo de treinamento, tempo de predição, utilização de recursos e acurácia dos algoritmos de cada plataforma foram avaliados.pt_BR
dc.description.provenanceSubmitted by ADAIR PERDOMO FALCÃO (adair.falcao@uffs.edu.br) on 2018-08-29T16:23:24Z No. of bitstreams: 1 FANK.pdf: 3505622 bytes, checksum: df90a987f03d15497e9000fdd4d761c1 (MD5)en
dc.description.provenanceApproved for entry into archive by Diego dos Santos Borba (dborba@uffs.edu.br) on 2018-08-30T18:52:04Z (GMT) No. of bitstreams: 1 FANK.pdf: 3505622 bytes, checksum: df90a987f03d15497e9000fdd4d761c1 (MD5)en
dc.description.provenanceMade available in DSpace on 2018-08-30T18:52:04Z (GMT). No. of bitstreams: 1 FANK.pdf: 3505622 bytes, checksum: df90a987f03d15497e9000fdd4d761c1 (MD5) Previous issue date: 2018en
dc.languageporpt_BR
dc.publisherUniversidade Federal da Fronteira Sulpt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentCampus Chapecópt_BR
dc.publisher.initialsUFFSpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectBenchmarkspt_BR
dc.subjectSftwarespt_BR
dc.subjectAnálise de dadopt_BR
dc.subjectAdministração da qualidadept_BR
dc.titleEstudo comparativo entre plataformas de deep learningpt_BR
dc.typeMonografiapt_BR
Aparece nas coleções:Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
FANK.pdf3,42 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Recomendar este item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.