Fundamentos de Aprendizado de Máquina: Análise Funcional voltada a Métodos de Kernel

DSpace Repository

dc.contributor	Universidade Federal de Santa Catarina	pt_BR
dc.contributor.advisor	Royer, Danilo
dc.contributor.author	Fröhlich, Alek
dc.date.accessioned	2022-03-23T23:30:19Z
dc.date.available	2022-03-23T23:30:19Z
dc.date.issued	2022-03-03
dc.identifier.uri	https://repositorio.ufsc.br/handle/123456789/232655
dc.description	TCC(graduação) - Universidade Federal de Santa Catarina. Centro Tecnológico. Ciências da Computação.	pt_BR
dc.description.abstract	O uso de kernels é um dos principais paradigmas de Aprendizado de Máquina. Métodos de Kernel estão naturalmente associado a espaços de Hilbert de Reprodução (EHR) e Análise Funcional por meio do Teorema de Moore-Aronszajn. Neste trabalho, apresentamos os elementos iniciais da Análise Funcional e então os usamos para investigar a natureza desses espaços de funções. Ao final, abordamos um método de kernel e provamos sua corretude.	pt_BR
dc.format.extent	108 f.	pt_BR
dc.language.iso	por	pt_BR
dc.publisher	Florianópolis, SC.	pt_BR
dc.rights	Open Access
dc.subject	Espaços de Hilbert de Reprodução	pt_BR
dc.subject	Análise Funcional	pt_BR
dc.subject	Aprendizado de Máquina	pt_BR
dc.subject	Métodos de Kernel	pt_BR
dc.title	Fundamentos de Aprendizado de Máquina: Análise Funcional voltada a Métodos de Kernel	pt_BR
dc.type	TCCgrad	pt_BR
dc.contributor.advisor-co	Roisenberg, Mauro

Files	Size	Format	View	Description
TCC.pdf	1.611Mb	PDF	View/Open	TCC