Logo do repositório
  • Página Inicial(current)
  • Buscar
    Por Data de PublicaçãoPor AutorPor TítuloPor Assunto
  • Tutoriais
  • Documentos
  • Sobre o RI
  • Eventos
    Repositório Institucional da UFRN: 15 anos de conexão com o conhecimento
  • Padrão
  • Amarelo
  • Azul
  • Verde
  • English
  • Português do Brasil
Entrar

SIGAA

  1. Início
  2. Pesquisar por Autor

Navegando por Autor "Souza, Nathane Vitória de Lima e"

Filtrar resultados informando as primeiras letras
Agora exibindo 1 - 1 de 1
  • Resultados por página
  • Opções de Ordenação
  • Nenhuma Miniatura disponível
    TCC
    Aplicação de técnicas elementares de machine learning à Física
    (Universidade Federal do Rio Grande do Norte, 2020-07-22) Souza, Nathane Vitória de Lima e; Macrì, Tommaso; Viswanathan, Madras Viswanathan Gandhi; Canabarro, Askery
    Avanços recentes impulsionaram, uma vez mais, os investimentos na área de deep learning, que é um subconjunto da grande área de inteligência artificial. A versatilidade desse método possibilita que ele tenha aplicabilidade tanto comercial quanto acadêmica.O presente estudo teve por objetivo avaliar o desempenho de técnicas de deep leaning na resolução de dois problemas físicos, sendo eles a previsão de temperaturas na cidade do Natal/RN e a estimativa dos estados fundamentais de uma partícula sujeita à diversas funções potenciais, em uma dimensão. Para isso, utilizou-se o API Keras - uma plataforma de programação em Python, que possibilita a implementação de redes neurais artificiais. Para o primeiro sistema, foi usada uma arquitetura de camadas do tipo recurrent. Verificou-se que o custo permaneceu alto durante a validação e que a rede sofreu overfitting significativo. Já no segundo problema, a arquitetura escolhida consiste em camadas do tipo Dense empilhadas. Os valores reais do estado fundamental para cada potencial gerado foram comparados às previsões da rede. O resultado obtido indica que houve overfitting e mostra que, apesar do grande poder de representação das redes neurais, a rede em questão teve dificuldades em realizar o ajuste nos casos onde a função que descreve o estado fundamental apresentou maior heterogeneidade.
Repositório Institucional - UFRN Campus Universitário Lagoa NovaCEP 59078-970 Caixa postal 1524 Natal/RN - BrasilUniversidade Federal do Rio Grande do Norte© Copyright 2025. Todos os direitos reservados.
Contato+55 (84) 3342-2260 - R232Setor de Repositórios Digitaisrepositorio@bczm.ufrn.br
DSpaceIBICT
OasisBR
LAReferencia
Customizado pela CAT - BCZM