Rafael de Oliveira Magalhães
Orientadores
- Ana Cristina Vieira de Melo
- Flávio Soares Corrêa da Silva
Trabalho de Formatura Supervisionado
Departamento de Ciência da Computação
Instituto de Matemática e Estatística
Universidade de São Paulo
2024
Resumo
O estado atual das redes neurais e do aprendizado profundo difundiu o emprego de métodos de aprendizado de máquina supervisionado na resolução de problemas diversos. Entretanto, este tipo de solução não pode ser amplamente utilizado devido ao seu funcionamento opaco, o que impede a compreensão exata e não permite garantir a confiabilidade dos resultados.
Este trabalho dedica-se a clarificar o funcionamento dos métodos de aprendizado de máquina supervisionado, seguindo uma abordagem prática e concreta por meio do desenvolvimento de um arcabouço de testes, generalizável e aplicável para qualquer problema, modelo e dados.
Como meio de estudo, abordou-se o problema de previsão de tráfego, o qual é interessante por sua complexidade e relevância como problema real. Dado esse contexto, procurou-se conjuntos de dados abertos para uso nos testes e para comparação com os dados sintéticos, e foram selecionados três modelos de aprendizado de máquina com características distintas: um modelo de regressão linear, um modelo de rede neural totalmente conectada e um modelo de rede neural para grafos (GNN). A efetividade do arcabouço foi validada aplicando-o ao problema, dados e modelos citados e analisando as informações inferíveis a partir dos resultados dos testes.
