Centro Federal de Educação Tecnológica de Minas Gerais

"Não se pode afirmar que o sistema está pronto para implantação só pela diminuição da perda de treino. O cenário exposto pela figura 1 evidencia um caso de sobreajuste (overfitting) a partir da sessão de resposta (época 8), onde a perda de validação passa a crescer. Assim, nesse caso, o modelo passa a decorar ruído e, por consequência, perde sua capacidade de generalização. Basicamente vê-se que o modelo apenas decorou a base de treino."

"As entradas devem ser pré-processadas para garantir a normalização, e representadas estruturadas de forma adequada. As mesmas são passadas por meio de uma matriz com os valores referentes a cada feature para a camada de entrada da MLP. O BACKPROPAGATION fazendo o caminho inverso do forward propagation calcula a derivada dos pesos das camadas para a minimização da função de perda L (loss), mas isso só é possível por meio de uma função de ativação que preserve o gradiente durante o FP."

"Deve-se observar os erros gerados pelo modelo, onde o mesmo preferencialmente tem base em treino, validação e teste. O accuracy e o recall (e precision e dependendo do caso o F1) são métricas que adicionam um valor percentual à confiabilidade do modelo."

"Pode-se variar os cenários em que as imagens são tiradas, o que aumentaria uma variação de brilho, assim como se pode-se experimentar com a rotação e posicionamento das peças. Verifica-se a accuracy e o recall associado a cada método para tirar-se um diagnóstico primário. O sobreajuste mostra que o modelo decorou a base de treino, o que não parece ser o caso pelo baixo número de amostras. Já as falhas no processo de rotulação deve ser mostrada por uma inconsistência em amostragem cruzada."

"Uma CNN é indicada para processar imagens. As camadas dividem a imagem aumentando cada vez mais os níveis de abstração. Primeiras camadas passam a identificar elementos simples e estruturados como bordas e formas geométricas, já as intermediárias passam a identificar cores e padrões. Enquanto isso, as camadas mais profundas passam a reconhecer a complexidade do objeto.
No caso do modelo pré-treinado, deve-se treinar uma camada 'cabeça' com a base congelada e após seu treinamento e ajuste da 'cabeça', faz-se então o TREINO COM O descongelamento da base juntamente com a diminuição do LR."

"Fazer uma boa estratificação da base de dados para que haja resolução sobre as épocas do modelo. Deve-se também tomar cuidado com indicadores evolutivos como é o caso da perda de treino e a alta acurácia por poderem ser enganosos quanto ao estado real/crítico do modelo."

"Vê-se que a acurácia do sistema no limiar de 0,5 é menos que 40% [anotação: 18/50 = 36%], o que gera um grande volume de falsos positivos que desgastam a equipe e geram gastos desnecessários.
Nesse contexto é um sistema que gera muitos falsos positivos e principalmente falsos negativos. A decisão também se mostra imprecisa uma vez que o modelo performa abaixo da expectativa na dita decisão."

"$\min(\text{Custo}) = N_{FP} \cdot C_{FP} + N_{FN} \cdot C_{FN}$. É um cálculo difícil pois envolve valores morais, não somente monetários. Deve-se restringir-se no contexto ético e moral, a consideração em salvar os doentes, principalmente a ocorrência de falsos negativos para não haver prejuízo à vida."

"Uma MLP continuará a fornecer os resultados esperados, sendo que no caso de anomalias/divergências deve-se refazer o modelo e mudar a entrada de forma a otimizar o aprendizado do modelo."

[Subitem deixado em branco pelo discente]

[Subitem deixado em branco pelo discente]

[Subitem deixado em branco pelo discente]

[Subitem deixado em branco pelo discente]

[Subitem deixado em branco pelo discente]

[Subitem deixado em branco pelo discente]