Mostrar el registro sencillo del ítem

dc.contributor.advisorMuller, Claudio Josept_BR
dc.contributor.authorBorges, Mirele Marquespt_BR
dc.date.accessioned2021-03-11T04:23:31Zpt_BR
dc.date.issued2020pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/218603pt_BR
dc.description.abstractA presente dissertação tem o objetivo de identificar as técnicas de Machine Learning utilizadas nas áreas de Engenharia e Medicina e proporcionar um conhecimento da aplicação de modelos de Machine Learning e métodos de detecção de anomalias para problemas gerenciais, pois muitas vezes veem-se estas técnicas sendo incorporadas a problemas complexos e de larga escala, sem muitos exemplos dentro dos ambientes gerenciais. O trabalho está dividido em dois artigos: o primeiro artigo é uma revisão de literatura focada em apresentar os algoritmos de Machine Learning, os tipos de problemas aos quais são aplicados e métodos de validação utilizados nas áreas de Engenharia e Medicina. O segundo artigo apresenta o processo de criação de um modelo de Machine Learning capaz de predizer um indicador gerencial bem como propor uma métrica para detecção de anomalias. Todos os artigos utilizaram ferramentas open source, como o software estatístico R. As contribuições dos artigos foram: (1) Identificação dos algoritmos mais utilizados nas áreas de Engenharias e Medicinas, os métodos de validação mais utilizados e as contribuições dos autores sobre desempenho dos algoritmos; (2) Demonstração do processo de criação de um modelo de Machine Learning (coleta e preparação dos dados, seleção das variáveis, escolha do algoritmo, seleção dos hiperparâmetros, treino do modelo e avaliação dos resultados), além do método de detecção de anomalia através da análise da distribuição da diferença entre predito e observado.pt_BR
dc.description.abstractThe present dissertation aims to identify the Machine learning techniques used in the fields of engineering and medicine and provides knowledge of the application of models of machine learning and anomaly detection methods to management problems, since often these techniques are incorporated into complex and large-scale problems without many examples within the management environments. The work is divided into two articles: the first article is a literature review focused on presenting Machine Learning algorithms, the types of problems to which they are applied and validation methods used in the areas of Engineering and Medicine. The second article presents the process of creating a Machine Learning model capable of predicting a managerial indicator as well as proposing a metric for detecting anomalies. All articles used open-source tools, such as the statistical software R. The contributions of the articles were: (1) Identification of the most used algorithms in the areas of Engineering and Medicine, the most used validation methods and the contributions of the authors about algorithms performance; (2) Demonstration of the process of creating a Machine Learning model (collection and preparation of data, variables selection, choice of algorithm, selection of hyperparameters, training of the model and evaluation of results), in addition to the method of detection of anomaly by analyzing the distribution of the difference between predicted and observed.en
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectMachine learningen
dc.subjectAprendizado de máquinapt_BR
dc.subjectMedicinapt_BR
dc.subjectPredictionen
dc.subjectAnomaly detectionen
dc.subjectLiterature reviewen
dc.subjectAlgorithmen
dc.titleMachine Learning como ferramenta gerencial para predição de indicadores e detecção de anomaliaspt_BR
dc.typeDissertaçãopt_BR
dc.identifier.nrb001122299pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentEscola de Engenhariapt_BR
dc.degree.programPrograma de Pós-Graduação em Engenharia de Produção e Transportespt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2020pt_BR
dc.degree.levelmestrado profissionalpt_BR


Ficheros en el ítem

Thumbnail
   

Este ítem está licenciado en la Creative Commons License

Mostrar el registro sencillo del ítem