Use este identificador para citar ou linkar para este item:
https://rd.uffs.edu.br/handle/prefix/2097
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.contributor.advisor1 | Duarte, Denio | - |
dc.creator | Fank, Elias Augusto | - |
dc.date | 2018-07-05 | - |
dc.date.accessioned | 2018-08-30T18:52:04Z | - |
dc.date.available | 2018-08-30T18:52:04Z | - |
dc.date.issued | 2018 | - |
dc.identifier.uri | https://rd.uffs.edu.br/handle/prefix/2097 | - |
dc.description.abstract | Deep 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.resumo | Técnicas 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.provenance | Submitted 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.provenance | Approved 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.provenance | Made available in DSpace on 2018-08-30T18:52:04Z (GMT). No. of bitstreams: 1 FANK.pdf: 3505622 bytes, checksum: df90a987f03d15497e9000fdd4d761c1 (MD5) Previous issue date: 2018 | en |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal da Fronteira Sul | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Campus Chapecó | pt_BR |
dc.publisher.initials | UFFS | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Benchmarks | pt_BR |
dc.subject | Sftwares | pt_BR |
dc.subject | Análise de dado | pt_BR |
dc.subject | Administração da qualidade | pt_BR |
dc.title | Estudo comparativo entre plataformas de deep learning | pt_BR |
dc.type | Monografia | pt_BR |
Aparece nas coleções: | Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
FANK.pdf | 3,42 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.