Utilizando aprendizado profundo para visão computacional em uma ferramenta de AutoML baseada em configuração de algoritmos
Aprendizado de máquina automatizado; configuração de algoritmos; visão computacional; aprendizado profundo; transfer learning.
Aprendizado de máquina automatizado (AutoML) tem sido um tópico de grande interesse, tanto para a indústria quanto para a academia. AutoML permite que desenvolvedores com pouco ou nenhuma experiência com aprendizado de máquina (ML) trabalhando em aplicações que utilizam ML — cada vez mais comuns — possam obter resultados satisfatórios com pouco investimento de homem-horas. Enquanto ferramentas de AutoML já provaram-se úteis nesse sentido, sua perfomance em geral ainda não chega as nível observado no estado-da-arte. Isto é observado especialmente em domínios de aplicação onde algoritmos específicos ao domínio são predominantes, como é o caso com o uso de deep learning (DL) em tarefas de visão computacional (CV). Nesse trabalho, tentamos fazer o uso do potencial de DL em conjuntos de dados de CV, extendendo um sistema existente de AutoML, iSklearn, com transfer learning. Resultados preliminares mostram uma melhora significativa de performance nesses conjuntos de dados, e também confirmam observações feitas anteriormente na literatura de DL em um novo contexto.