Por favor, use este identificador para citar o enlazar este ítem: http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1137938
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.contributor.authorBARBEDO, J. G. A.
dc.date.accessioned2021-12-16T12:16:49Z-
dc.date.available2021-12-16T12:16:49Z-
dc.date.created2021-12-16
dc.date.issued2021
dc.identifier.citationCampinas: Embrapa Agricultura Digital, 2021.
dc.identifier.issn2764-2623
dc.identifier.urihttp://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1137938-
dc.descriptionResumo - Com o surgimento do aprendizado profundo, redes neurais novamente se tornaram opções vantajosas para lidar com uma variedade de problemas de classificação, especialmente quando imagens digitais estão envolvidas. A popularização desse tipo de técnica deu origem a uma comunidade ativa que tornou pública a maior parte das arquiteturas de aprendizado profundo desenvolvidas até o momento. Documentações completas e tutoriais detalhados associados a essas arquiteturas garantem que qualquer pessoa com conhecimentos básicos de programação é capaz de realizar os experimentos sem muito esforço. Como resultado, houve uma explosão no número de artigos aplicando aprendizado profundo a uma ampla gama de problemas. Apesar dos excelentes resultados alcançados por técnicas de aprendizado profundo, modelos de aprendizado profundo ainda são frequentemente aplicados sem as precauções necessárias para evitar resultados irrealistas ou enviesados. Há muitas sutilezas que raramente são mencionadas nos materiais de referência associados aos modelos de aprendizado profundo, sendo frequentemente ignorados quando os experimentos são idealizados. A natureza "caixa preta" dos modelos de aprendizado profundo agrava este cenário, porque potenciais problemas com o ajuste do modelo não são facilmente detectados. O objetivo deste trabalho é detalhar cada passo do fluxo de trabalho normalmente adotado para treinar modelos de aprendizado profundo, com especial atenção dedicada às muitas armadilhas que podem tornar os modelos gerados inadequados para uso prático.
dc.formatil. color.
dc.language.isopor
dc.relation.ispartofseries(Embrapa Agricultura Digital. Boletim de pesquisa e desenvolvimento, 51).
dc.rightsopenAccesspt_BR
dc.subjectAprendizado profundo
dc.subjectRedes neurais
dc.subjectClassificação
dc.subjectDeep learning
dc.subjectTraining
dc.titleFluxo de trabalho para o treinamento de modelos de aprendizado profundo dedicados a problemas da agricultura.
dc.typeFolhetos
dc.subject.thesagroAgricultura
dc.subject.nalthesaurusAgriculture
dc.subject.nalthesaurusNeural networks
dc.subject.nalthesaurusClassification
dc.format.extent217 p.
riaa.ainfo.id1137938
riaa.ainfo.lastupdate2021-12-16
dc.contributor.institutionJAYME GARCIA ARNAL BARBEDO, CNPTIA.
Aparece en las colecciones:Boletim de Pesquisa e Desenvolvimento (CNPTIA)

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
Boletim051-2021.pdf1.78 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace