|
|
Registro Completo |
Biblioteca(s): |
Embrapa Agricultura Digital. |
Data corrente: |
16/12/2021 |
Data da última atualização: |
20/12/2021 |
Tipo da produção científica: |
Boletim de Pesquisa e Desenvolvimento |
Autoria: |
BARBEDO, J. G. A. |
Afiliação: |
JAYME GARCIA ARNAL BARBEDO, CNPTIA. |
Título: |
Fluxo de trabalho para o treinamento de modelos de aprendizado profundo dedicados a problemas da agricultura. |
Ano de publicação: |
2021 |
Fonte/Imprenta: |
Campinas: Embrapa Agricultura Digital, 2021. |
Páginas: |
17 p. |
Descrição Física: |
il. color. |
Série: |
(Embrapa Agricultura Digital. Boletim de pesquisa e desenvolvimento, 51). |
ISSN: |
2764-2623 |
Idioma: |
Português |
Conteúdo: |
Resumo - 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. MenosResumo - 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 p... Mostrar Tudo |
Palavras-Chave: |
Aprendizado profundo; Classificação; Deep learning; Redes neurais; Training. |
Thesagro: |
Agricultura. |
Thesaurus Nal: |
Agriculture; Classification; Neural networks. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/229284/1/Boletim051-2021.pdf
|
Marc: |
LEADER 02401nam a2200253 a 4500 001 2137938 005 2021-12-20 008 2021 bl uuuu u0uu1 u #d 022 $a2764-2623 100 1 $aBARBEDO, J. G. A. 245 $aFluxo de trabalho para o treinamento de modelos de aprendizado profundo dedicados a problemas da agricultura.$h[electronic resource] 260 $aCampinas: Embrapa Agricultura Digital$c2021 300 $a17 p.$cil. color. 490 $a(Embrapa Agricultura Digital. Boletim de pesquisa e desenvolvimento, 51). 520 $aResumo - 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. 650 $aAgriculture 650 $aClassification 650 $aNeural networks 650 $aAgricultura 653 $aAprendizado profundo 653 $aClassificação 653 $aDeep learning 653 $aRedes neurais 653 $aTraining
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 1 | |
Registros recuperados : 1 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|