 |
| Fonte: https://www.opencadd.com.br/hubfs/Imported_Blog_Media/machine-redimensionado.jpg |
Após um mês de aprendizado e desafios, chegamos ao momento de concluir a disciplina de Machine Learning com um projeto final que nos permite aplicar na prática os conceitos estudados. Neste trabalho, utilizamos os datasets dogs and cats (dc_small) e um dataset criado pelas equipes para explorar diferentes abordagens de classificação de imagens com redes neurais convolucionais pré-treinadas.
Exploração de Artigos Científicos
Para fundamentar nosso trabalho, analisamos pelo menos dois artigos científicos sobre aplicações dos modelos escolhidos. Um deles foi o artigo original indicado na página do Keras, que detalha a arquitetura e o treinamento de modelos pré-treinados para classificação de imagens. O outro artigo, mais recente, trouxe insights sobre otimizações e melhorias na acurácia desses modelos ao utilizar técnicas como fine-tuning e regularização avançada.
Escolha e Aplicação dos Modelos
Cada equipe selecionou dois modelos da biblioteca Keras Applications para realizar a classificação de imagens. Em nosso caso, utilizamos os modelos VGG16 e NASNetMobile. Seguimos um pipeline estruturado, incluindo:
Aplicação de PCA para redução de dimensionalidade;
Geração de matriz de confusão para avaliação do desempenho;
Relatório de classificação com métricas detalhadas;
Teste do modelo utilizando novas imagens para verificar sua generalização.
Experimentação com Otimizadores e Divisão de Dados
Além da avaliação padrão, testamos diferentes configurações de otimização e variações no tamanho das partições de treino, validação e teste. Isso permitiu compreender o impacto dessas escolhas no desempenho do modelo e na capacidade de generalização para novos dados.
Análise dos Resultados
Os resultados obtidos foram analisados de forma comparativa entre os modelos e entre os diferentes datasets. Observamos como cada modelo se comportou diante dos desafios apresentados e quais configurações resultaram em melhor desempenho. Esse processo reforçou a importância de ajustes finos na arquitetura e no treinamento dos modelos para obter classificações mais precisas.
Conclusão
.jpeg) |
| Imagem: Foto com o professor Chamy. |
O trabalho final da disciplina proporcionou uma experiência enriquecedora ao aplicar conhecimentos teóricos em um cenário prático. A apresentação final será uma oportunidade para compartilhar descobertas, discutir desafios enfrentados e destacar aprendizados adquiridos ao longo do semestre.
Agradecemos aos professores e colegas pela colaboração e pelo aprendizado compartilhado nesta jornada!