Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/38178| Título: | Seleção de modelos de machine learning para prever os resultados da competição Baja SAE Brasil a partir dos dados históricos e ficha técnica do veículo |
| Título(s) alternativo(s): | Selection of machine learning models to predict the results of the Baja SAE Brasil competition using historical data and vehicle technical specifications |
| Autor(es): | Fujii, André Naumoff |
| Orientador(es): | Okoshi, Cleina Yayoe |
| Palavras-chave: | Inteligência artificial Aprendizado do computador Veículos off-road Mineração de dados (Computação) Artificial intelligence Machine learning Off-road vehicles Data mining |
| Data do documento: | 25-Jun-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | FUJII, André Naumoff. Seleção de modelos de machine learning para prever os resultados da competição Baja SAE Brasil a partir dos dados históricos e ficha técnica do veículo. 2024. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecânica) - Universidade Tecnológica Federal do Paraná, Curitiba, 2024. |
| Resumo: | A Inteligência Artificial (IA) e o Aprendizado de Máquinas (ML) estão no centro das inovações tecnológicas atuais, com aplicações nas áreas de tomada de decisões, otimização de produtos e predições baseadas em dados. No contexto da Indústria 4.0, essas tecnologias permitem a análise detalhada e a automação de processos, melhorando a eficiência e desempenho de projetos industriais e acadêmicos, como nas competições da Baja SAE Brasil. No âmbito dessas competições, a oportunidade de melhorar o desempenho do projeto aliados ao desafio proposto pela SAE despertam a necessidade de desenvolver um modelo preditivo baseado em ML que auxilie a equipe de Baja da UTFPR. O foco é prever as colocações da equipe a partir dos dados técnicos do veículo, permitindo ajustes precisos e direcionados de acordo com as necessidades do projeto. O objetivo geral deste trabalho foi a aplicação de metodologias de mineração de dados para criar um modelo de aprendizado de máquinas que possa prever os resultados da equipe Baja da UTFPR nas competições, utilizando dados históricos disponibilizados pela SAE Brasil. A metodologia utilizada foi o CRISP-DM, que inclui etapas de compreensão do negócio, preparação dos dados, modelagem, avaliação e implantação do modelo. Os dados foram tratados e explorados para identificar padrões e relações relevantes, e diferentes modelos de ML foram treinados e testados para selecionar o mais adequado para a aplicação. A validação foi realizada com um conjunto de dados de teste, e o modelo final é implantado para realizar as predições do veículo na competição. O trabalho resultou na avaliação do desempenho de nove diferentes modelos de aprendizado de máquinas e na implementação de Máquinas de Vetores de Suporte (SVM) e Árvores Boosted por Gradiente (GBT) para realizar predições concisas sobre a performance das equipes nas provas dinâmicas da competição. A metodologia CRISP-DM mostrouse eficaz, e o estudo contribui com insights para futuras aplicações de ML em contextos similares. Portanto, esta monografia aborda o desenvolvimento de modelos de Machine Learning para a predição de resultados de múltiplas classes, considerando diferentes atributos com relações complexas não lineares. |
| Abstract: | Artificial Intelligence (AI) and Machine Learning (ML) are at the forefront of current technological innovations, with applications in decision-making, product optimization, and data-driven predictions. In the context of Industry 4.0, these technologies enable detailed analysis and process automation, improving the efficiency and performance of both industrial and academic projects, such as the Baja SAE Brasil competitions. In these competitions, the challenge proposed by SAE, highlights the opportunity to enhance project performance and highlights the need to develop a predictive model based on ML to assist the Baja team of UTFPR. The focus is to predict the team’s rankings using the vehicle’s technical data, allowing for precise adjustments tailored to the project’s needs. The main objective of this work is to apply data mining methodologies to create a machine learning model capable of predicting the UTFPR Baja team’s competition results, utilizing historical data provided by SAE Brasil. The framework used was the CRISP-DM, which includes business understanding, data preparation, modeling, evaluation, and deployment phases. Data was processed and explored to identify relevant patterns and relationships, and different ML models were trained and tested to select the most suitable one for the application. Validation was performed with a test dataset, and the final model was deployed to predict the vehicle’s performance in the competition. This work resulted in the performance evaluation for 9 different machine learning models and on implementation of Gradient Boosted Trees (GBT) and Support Vector Machines (SVM) for making concise predictions about team performance in the dynamic events of the competition. The CRISP-DM methodology proved effective, and the study provides insights for future ML applications in similar contexts. Therefore, this thesis addresses the development of Machine Learning models for multi-class result prediction, considering different attributes with complex nonlinear relationships. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/38178 |
| Aparece nas coleções: | CT - Engenharia Mecânica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| modelosmachinelearningbaja.pdf | 3,13 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
