Trabalhos de Conclusão de Curso

URI Permanente para esta coleção

https://repositorio.fei.edu.br/handle/FEI/3176

Navegar

Navegando Trabalhos de Conclusão de Curso por Assunto "aprendizado de máquina supervisionado"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Trabalho de Conclusão de Curso
    CLASSIFICAÇÃO DE DADOS EM COMPUTADORES QUÂNTICOS:
    (2023-06-14) MATHEUS TEIXEIRA
    À medida que nos aproximamos das dimensões mínimas dos transistores utilizados em CPUs, nos aproximamos também dos limites computacionais dos computadores clássicos. Diante da crescente demanda por maior poder de processamento para resolver problemas complexos, surge a necessidade de uma ferramenta mais capacitada: os computadores quânticos. Em resposta a essa situação, diversas áreas da computação estão sendo adaptadas para aplicar seus métodos em computadores quânticos. Entre essas áreas, destaca-se o campo do aprendizado de máquina. O presente trabalho descreve um método de aprendizado de máquina supervisionado que utiliza a máquina de vetores de suporte quântica para a classificação de dados em um computador quântico
  • Imagem de Miniatura
    Trabalho de Conclusão de Curso
    UTILIZAÇÃO DE MÉTODO ENSEMBLE PARA CLASSIFICAÇÃO DE IMAGENS MÉDICAS CARDÍACAS:
    (2022-06-13) FELIPE MACIEL DE SOUSA; GUILHERME ORMOND SAMPAIO; LEON FERREIRA BELLINI; PEDRO FREITAS MAGALHÃES BARBOSA
    Doenças cardíacas figuram entre as principais causas de morte no mundo, segundo a Organização Mundial da Saúde elas são responsáveis por cerca de 17 milhões de mortes globalmente. Em resposta a esse cenário, as pessoas têm procurado com frequência acompanhamento médico a fim de evitar um diagnóstico tardio. Esse processo promoveu um aumento na demanda por exames de ressonância magnética cardíaca e a identificação de cardiomiopatias nesse volume de exames representa um grande desafio para as equipes médicas. Embora sistemas inteligentes sejam capazes de identificar doenças cardíacas nos exames mencionados acima, poucas abordagens consideram diferentes slices do órgão e as especificidades do ciclo cardíaco em sua análise. Este trabalho apresenta uma metodologia baseada em aprendizado de máquina supervisionado para abordar essa análise considerando os aspectos citados. Durante os experimentos foi registrada uma acurácia de 80,00% e precisão de 82,26% no melhor caso de teste, que consiste na utilização das estruturas do epicárdio e endocárdio, durante o ciclo diastólico e utilizando treze frames do ciclo