EXPLORAÇÃO E APLICAÇÃO DE ALGORITMOS DE APRENDIZAGEM DE MÁQUINA PARA RECONHECIMENTO DE DÍGITOS A PARTIR DE IMAGENS USANDO REDES NEURAIS E ÁRVORE DE DECISÃO

INTRODUÇÃO: Este projeto analisa a eficácia dos métodos SqueezeNet e SVM no reconhecimento de dígitos manuscritos. O foco é entender como o aumento de dados impacta a performance desses modelos, oferecendo uma visão detalhada sobre sua aplicabilidade em tarefas de classificação de imagens. OBJETIVOS: O objetivo é avaliar e comparar o desempenho dos modelos SqueezeNet e SVM no reconhecimento de dígitos manuscritos, utilizando dados originais e dados aumentados. A meta é determinar o impacto do aumento de dados na acurácia desses modelos. MATERIAIS E MÉTODO: Os experimentos utilizaram dois conjuntos de dados: um conjunto original e outro aumentado. Os modelos SqueezeNet e SVM foram treinados e testados em ambos os conjuntos. A métrica de avaliação utilizada foi a acurácia. O processo envolveu múltiplas épocas de treinamento e validação para monitorar a evolução da acurácia dos modelos. RESULTADOS: Os resultados mostraram que o SqueezeNet, quando treinado com dados originais, alcançou uma acurácia de teste de 98.96%. Com dados aumentados, essa acurácia subiu para 99.19%. O modelo SVM apresentou uma acurácia de teste de 97.92% com dados originais, melhorando para 98.17% com dados aumentados. Esses achados evidenciam que ambos os modelos se beneficiaram do aumento de dados, resultando em melhorias na precisão. CONSIDERAÇÕES FINAIS: Os experimentos confirmaram que o aumento de dados pode melhorar o desempenho dos modelos de aprendizado de máquina em tarefas de classificação de imagens. O SqueezeNet mostrou uma ligeira superioridade em termos de acurácia, enquanto o SVM apresentou melhorias com dados aumentados. Esta pesquisa oferece percepções sobre o uso eficaz de técnicas de aumento de dados para aprimorar a precisão dos modelos de aprendizado de máquina.

PALAVRAS-CHAVE: Reconhecimento de Dígitos Manuscritos; Aumento de Dados; SqueezeNet; SVM