Otimização de Hiperparâmetros em Aprendizado Profundo

• Processo: 23/03479-7
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2023
• Data de Término da vigência: 31 de março de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Antonio Rafael Sabino Parmezan
• Beneficiário: João Pedro Ribeiro da Silva
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 19/17721-9 - A função da Química na adaptação de holobiontes, AP.TEM
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Ajuste fino | Aprendizado de Máquina | aprendizado por transferência | Calibração de Hiperparâmetros | Aprendizado de Máquina

Resumo

O aprendizado profundo é uma técnica de aprendizado de máquina baseada em redes neurais artificiais que vem sendo utilizada com sucesso em muitas aplicações, incluindo análise de imagens, reconhecimento de fala e compreensão de texto. Ela consiste em camadas de vários níveis, muitas capazes de executar simultaneamente processos com atributos de alto nível definidos e extraídos automaticamente a partir dos de baixo nível. Um grande desafio na construção de modelos de aprendizado profundo é determinar a melhor configuração para seus hiperparâmetros, i.e., encontrar a combinação de valores de ajuste que maximiza o desempenho do modelo durante a fase de treinamento. À vista disso, este projeto tem como objetivo investigar métodos de otimização de hiperparâmetros em modelos de aprendizado profundo, especialmente no ajuste fino de redes neurais convolucionais pré-treinadas, que serão usados para classificação de pequenos e grandes conjuntos de imagens de microrganismos. A eficiência dos métodos de otimização de hiperparâmetros pesquisados será avaliada em termos de acurácia, tempo de execução e número de iterações considerando hardware personalizado.