dc.contributor.author | Chinen, Felipe Churuyuki | |
dc.date.accessioned | 2021-11-22T14:46:29Z | |
dc.date.available | 2021-11-22T14:46:29Z | |
dc.date.issued | 2021-11-16 | |
dc.identifier.citation | CHINEN, Felipe Churuyuki. Aprendizado não supervisionado de métricas via redução de dimensionalidade para reconhecimento de dígitos numéricos. 2021. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2021. Disponível em: https://repositorio.ufscar.br/handle/ufscar/15136. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/15136 | |
dc.description.abstract | Character recognition is a task that has occurred since the last century and is still a problem to be solved nowadays. One of the challenges is that the characters to be classified are images, therefore, they have many dimensions (each pixel is a dimension in a gray image). In this paper were used two different databases that contain handmade characters. Working with a database with many dimensions is a challenge, due to issues like the curse of dimensionality, and to try to solve this complication, dimensionality reduction is usually an attempt to mitigate the problem. In this work were used several supervised classification algorithms and were used non-linear dimensionality reduction algorithms: ISOMAP, LLE and Laplacian Eigenmaps with the purpose of learning a metric (a distance function) better
suited than the Euclidean distance among the input images. Finally, the Wilcoxon test was used to compare statistically the dimensionality reduction algorithms. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Redução de dimensionalidade | por |
dc.subject | Aprendizado de variedades | por |
dc.subject | Reconhecimento de padrões | por |
dc.subject | Aprendizado não supervisionado de métricas | por |
dc.subject | Pattern recognition | eng |
dc.subject | Machine learning | eng |
dc.subject | Unsupervised metric learning | eng |
dc.subject | Dimensionality reduc-tion | eng |
dc.title | Aprendizado não supervisionado de métricas via redução de dimensionalidade para reconhecimento de dígitos numéricos | por |
dc.title.alternative | Dimensionality reduction based unsupervised metric learning for numerical digits recognition | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Levada, Alexandre L. M. | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/3341441596395463 | por |
dc.description.resumo | O trabalho com reconhecimento de caracteres ocorre desde meados do século passado e até hoje é um tema muito estudado. Um dos desafios encontrados é que os caracteres a serem classificados são imagens, dessa maneira, contém várias dimensões (sendo cada pixel, numa imagem de nı́vel de cinza, uma dimensão diferente). Trabalhar com conjunto de dados com muitas dimensões é um desafio, devido a problemas como a maldição da dimen sionalidade. Para isso, a redução de dimensionalidade é geralmente como uma tentativa de mitigar esse problema. Neste trabalho foram utilizados diversos algoritmos de classificação supervisionada e foram utilizados os algoritmos de redução de dimensionalidade não linear ISOMAP, LLE e Laplacian Eigenmaps com o intuito de encontrar uma métrica (função de distância) mais adequada que a distância Euclidiana entre as imagens de entrada. Por fim, foi utilizado o teste de Wilcoxon para comparar estatisticamente os algoritmos de redução de dimensionalidade. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/1275954908894553 | por |
dc.publisher.course | Ciência da Computação - CC | por |