Use este identificador para citar ou linkar para este item:
https://repositorio.ufpe.br/handle/123456789/65591
Compartilhe esta página
Título: | Aprendizado de máquina aplicado à aceleração da computação de profundidade funcional em dados unidimensionais |
Autor(es): | MELO NETO, Edson de |
Palavras-chave: | Visualização de dados; Aprendizagem de Máquina; Profundidade de dados funcionais |
Data do documento: | 31-Jul-2025 |
Citação: | MELO NETO, Edson de. Aprendizado de máquina aplicado à aceleração da computação de profundidade funcional em dados unidimensionais. 2025. Trabalho de Conclusão de Curso (Engenharia da Computação) - Universidade Federal de Pernambuco, Recife, 2025. |
Abstract: | Atualmente, uma quantidade nunca antes vista de dados são gerados diariamente em diferentes domínios. Uma das formas mais comuns de representar esses dados é através de séries temporais. Ao longo do tempo, diferentes formas de visualização dessas séries foram propostas, como gráficos de linhas e de densidade. Entretanto, à medida que o número de dados aumenta, extrair padrões e outliers deles se torna um desafio. Com o objetivo de superar esse obstáculo, uma possível ferramenta são as chamadas profundidades de dados funcionais, que permitem ordenar esses dados com respeito à centralidade de uma distribuição. Entretanto, os diversos métodos propostos para o cálculo dessas medidas de profundidade são custosos tanto em relação ao tempo necessário para o cálculo quanto em relação à memória utilizada. Dessa forma, o presente trabalho tem como objetivo propor uma nova abordagem baseada em aprendizado de máquina para a computação aproximada da profundidade de banda modificada, dando suporte à análise interativa de grandes coleções de dados de forma eficiente. Para atingir esses objetivos, realizamos experimentos comparando a abordagem proposta com a abordagem clássica do cálculo de profundidade de banda e com outro método de aproximação utilizando estruturas de resumo estatístico, no que diz respeito à performance e ao custo de memória necessário. Assim, percebemos que os resultados obtidos mostram que o método proposto neste estudo tem uma performance melhor do que os métodos clássicos e um custo de memória consideravelmente menor do que a outra aproximação, mesmo com o aumento dos dados. Ademais, o método proposto apresenta vantagens em relação à adição de novas séries no conjunto de dados, não sendo necessário o ré-calculo. Por fim, utilizamos as aproximações obtidas em uma técnica de visualização que nos permite ver a distribuição das séries e quais delas tiveram um comportamento que pode possivelmente classificá-las como outliers. |
URI: | https://repositorio.ufpe.br/handle/123456789/65591 |
Aparece nas coleções: | (TCC) - Engenharia da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
TCC Edson de Melo Neto.pdf | 1,24 MB | Adobe PDF | ![]() Visualizar/Abrir |
Este arquivo é protegido por direitos autorais |
Este item está licenciada sob uma Licença Creative Commons