Identificação do perfil de clientes utilizando redes neurais convolucionais

• Ano de defesa: 2020
• Autor(a) principal: Azevedo, Victor Ribeiro de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Faculdade de Engenharia; Brasil; UERJ; Programa de Pós-Graduação em Engenharia Eletrônica
• Palavras-chave em Português: Electronic engineering; Neural networks (Computing); Computer learning; Algorithms; Pattern recognition systems; Engenharia eletrônica; Redes neurais (Computação); Aprendizado do computador; Algoritmos; Sistemas de reconhecimento de padrões; ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS
• Link de acesso: http://www.bdtd.uerj.br/handle/1/17812

O grande volume de informações digitais na forma de imagens e vídeos nas redes sociais demonstra a necessidade do desenvolvimento de novas técnicas para extrair informações relevantes aos perfis dos usuários. Milhares de imagens estão sendo publicadas em redes sociais diariamente. Com isto, a classificação de imagens de usuários nas redes sociais, é um processo relevante para empresas no contexto de segmentação dos clientes. Neste trabalho são utilizadas técnicas de inteligência computacional, em particular a aprendizagem profunda, a _m de prever o interesse de usuários de redes sociais em determinadas categorias de produtos. Com a identificação do perfil de clientes é possível definir potenciais consumidores de produtos, permitindo a elaboração de propagandas direcionadas. Nesta dissertação, são aplicadas a aprendizagem profunda e algoritmos de otimização de redes neurais convolucionais para desenvolver modelos de classificação de imagens de redes sociais, levando a identificação do perfil do usuário. É realizada a comparação do desempenho dos cinco algoritmos mais recentes de otimização da taxa de aprendizagem adaptativa para redes neurais artificiais. São eles, os algoritmos de descida do gradiente: estocástico (SGD) e adaptativo (AdaGrad), assim como os algoritmos baseados na estimativa de momento adaptativo usando: a raiz do valor quadrático médio dos gradientes (RMSprop), as médias móveis (Adam) e a norma infinita (Adamax). Dos cinco algoritmos abordados, o algoritmo de estimativa de momento adaptativo denominado Adam demonstra superioridade atingindo 94% de acurácia de aproximadamente 99% de taxa de acerto em determinadas classificações de imagens, demonstrando ser o algoritmo mais eficiente para treinamento de redes neurais e, portanto, permitindo prever de uma maneira mais precisa o interesse e o perfil do usuário.