| dc.contributor | Vargas Júnior, Edson Cilos | |
| dc.contributor | Universidade Federal de Santa Catarina. | |
| dc.creator | Rosa, Marcos Vinicios Ferreira | |
| dc.date | 2023-02-06T15:15:13Z | |
| dc.date | 2023-02-06T15:15:13Z | |
| dc.date | 2022-12-15 | |
| dc.date.accessioned | 2023-09-02T08:53:52Z | |
| dc.date.available | 2023-09-02T08:53:52Z | |
| dc.identifier | https://repositorio.ufsc.br/handle/123456789/244196 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8586760 | |
| dc.description | TCC (graduação) - Universidade Federal de Santa Catarina, Centro de Ciências Físicas e Matemáticas, Matemática. | |
| dc.description | O Modelo de misturas gaussianas (Gaussian Mixture Models - GMM)
é baseado em uma função de densidade de probabilidade paramétrica
representada por uma soma de componentes de distribuições gaussianas.
Tais modelos são comumente utilizados no contexto de Machine
Learning para representar um conjunto de dados por meio dessas distribuições
e aplicar previsões a partir dessa nova representação. No
presente trabalho é desenvolvido um estudo sobre a construção matemática
do GMM. Inicialmente, apresenta-se a fundamentação teórica
com ferramentas matemáticas que embasam o desenvolvimento do
GMM, a definição formal e a prova dos principais teoremas envolvendo
a atualização dos parâmetros do modelo. | |
| dc.format | application/pdf | |
| dc.language | pt_BR | |
| dc.publisher | Florianópolis, SC. | |
| dc.rights | Open Access. | |
| dc.subject | Modelos de Misturas Gaussianas. Distribuições Normais. Machine Learning. | |
| dc.title | Modelos de misturas Gaussianas | |
| dc.type | TCCgrad | |
