Dissertação
Missing Data Imputation for Industrial Big Data EVALUATED
Dados Incompletos é um problema que afecta todos os praticantes da Aprendizagem Máquina. Desde simples soluções com base na estatística elementar, até complexas maquinações da nova era da Inteligência Artificial, os contributos académicos até à data conclui o seguinte - não há resposta certa. A solução é altamente dependente do tipo de dados, do tipo de problema, e até de conhecimento prévio sobre o domínio. Dados Incompletos é um problema aberto. Esta dissertação propõe uma solução leve e escalável para resolver Dados Incompletos de Indústria - um modelo Auto-Codificador. Ao combinar técnicas modernas de Aprendizagem Profunda, e métodos históricamente provados para tratar dados temporais - Transformações de Fourier - o modelo proposto é uma solução sinergética entre o estado-da-arte e métodos de Indústria. Propomos um quadro de avaliação para avaliar métodos de imputação, tendo em foco os dados temporais. Os resultados quer em dados de Turbinas Éolicas quer em dados de consumo de electricidade no foro familiar, mostra a capacidade e eficácia com que o modelo proposto resolve o problema de Dados Incompletos. Adicionalmente, mostramos também os benefícios das representações extraídas pelo modelo.
outubro 7, 2020, 10:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Departamento de Engenharia Informática (DEI)
Professor Auxiliar
