Course projects ms960 (Special Topics in Image Processing).
Credits to:
Matheus Souza
Raul Teixeira
Gabriel Borin
Project I
This work aims to study the technique of regression and regression logistics (classification) using Machine Learning methodologies. For practical purposes, this work was divided into two parts. In the first part of this work, polynomial approximations were used, exponential and analytical to create a model that predicts the number of people infected by the disease according to the day. From the results, it was observed that the polynomial curve, more precisely for the 10 degree polynomial, is the one that best approximates the correct prediction. In addition, the polynomial curve approached satisfactorily In the second part, a multi-class regression model was created to classify digits by hand from numbers 1 to 10 and check the model's accuracy rate during classification
Project II
Our project aims to study the algorithms and implement the neural network methods and their applications for recognition of model sets MNIST, we obtained several results in different aspects, and then we can choose at the end the best model the gradient gradient, we also adapt our code for several internal layers, in addition we also implemented another descending method the Gradient conjugate, a method that came out very well for the test examples however it has very computationally costly results.
Project III
This project proposes a study on the application of models in two problems. The first would be the application of an SVM in a data classification problem and the other would be the application of PCA in a facial recognition problem. For both results, an excellent performance was obtained for the classification of these data.
Project IV
This project aims to study Gaussian distribution methods and collaborative filtering with a brief summary of how these models work, a practical test of each model that has been implemented using the python language.
Projetos do curso ms960(Tópicos Especiais em Processamento de Imagens).
Projeto I
Esse trabalho visa em estudar a técninca de regressão e regressão logística (classificação) utilizando as metodologias do Machine Learning. Por fins prático, esse trabalho foi dividido em duas partes. Na primeira parte desse trabalho, foi utilizado as aproximações polinomial, exponencial e a analítica para criar um modelo que prevê a quantidade de infectados pela doença de acordo com o dia. Pelos resultados, foi observado que a curva polinomial, mais precisamente para o polinômio de grau 10, é a que melhor se aproxima a previsão correta. Além disso, a curva polinomial se aproximou de forma satisfatória Já na segunda parte, foi criado um modelo de regressão multi-classe para classificar dígitos `a mão dos números 1 à 10 e verificar a taxa de acerto do modelo durante a classificação
Projeto II
Nosso projeto visa o estudo dos algoritmos e implementação dos métodos deredes neurais e suas aplicações para reconhecimento de conjuntos do modelo MNIST, obtivemos vários resultados em diferentes aspectos, e podemos então escolher no final o melhor modelo o gradiente descente, também adaptamos nosso código para várias camadas internas, além disso também implementamos outro método de descida o Gradiente conjugado, método esse que se saiu muito bem para os exemplos de teste porem tem resultados muito custosos computacionalmente.
Projeto III
Esse projeto propõe um estudo na aplicação de modelos em dois problemas. O primeiro seria a aplicação de uma SVM em um problema de classificação de dados e o outro seria a aplicação do PCA em um problema de reconhecimento facial. Para ambos os resultados, foi obtido um excelente desempenho para classificação desses dados.
Projeto IV
Esse projeto visa o estudo dos métodos da distribuição Gaussiana e a filtragem colaborativa com um breve resumo de como esse modelos funcionam, um teste prático de cada modelo que foram implementados utilizando a linguagem python.