Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.ufc.br/handle/riufc/75838| Tipo: | TCC |
| Título : | Aplicação de aprendizagem não supervisionada no problema da diversidade máxima em grafos |
| Autor : | Silva, Davi Maia Andrade da |
| Tutor: | Soares, Pablo Luiz Braga |
| Palabras clave en portugués brasileño: | Problema da diversidade máxima;Aprendizado de máquina;Modelos não supervisionados;Otimização combinatória |
| Palabras clave en inglés: | Maximum diversity problem;Machine learning;Unsupervised models;Combinatorial optimization |
| Fecha de publicación : | 2023 |
| Citación : | SILVA, Davi Maia Andrade da. Aplicação de aprendizagem não supervisionada no problema da diversidade máxima em grafos. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia de Software) - Campus de Russas, Universidade Federal do Ceará, Russas, 2023. |
| Resumen en portugués brasileño: | Este trabalho tem como foco à aplicação de modelos de aprendizado de máquina (Machine Learning) ao Problema da Diversidade Máxima (PDM) em grafos. O PDM na área de otimização combinatória, consiste em selecionar um subconjunto de q elementos de um conjunto de n elementos, de tal forma que a diversidade entre os seus elementos selecionados seja máxima. O modelo de aprendizagem de máquina utilizados neste trabalho é baseado em aprendizado não supervisionado, que tem como característica aprender por si só, encontrado significado ou padrões aos dados apresentados. Os resultados do modelo foram comparados com uma heurística e meta heurística da literatura que possua os melhores resultados para os grafos utilizados. |
| Abstract: | This study focuses on the application of machine learning models to the PDM in graphs. The PDM, in the field of combinatorial optimization, involves selecting a subset of q elements from a set of n elements in a way that maximizes diversity among the chosen elements. The machine learning model employed in this research is based on unsupervised learning, characterized by its ability to autonomously discover meaning or patterns within presented data. Comparative analysis was conducted between the model’s outcomes and a heuristic as well as a meta-heuristic from the literature, known for delivering optimal results on the employed graphs. |
| URI : | http://repositorio.ufc.br/handle/riufc/75838 |
| Derechos de acceso: | Acesso Aberto |
| Aparece en las colecciones: | ENGENHARIA DE SOFTWARE - RUSSAS - Monografias |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 2023_tcc_dmasilva.pdf | 4,96 MB | Adobe PDF | Visualizar/Abrir |
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.