Uso de 2 bibliotecas de Machine Learning (Pytorch e Lightning) para previsão de emissão de gases em um dataset sobre turbinas à gás
O dataset Gas Turbine CO and NOx Emission Data Set foi utilizado a fim de compreender mais sobre Séries Temporais, além de usar bibliotecas de Machine Learning na previsão da emissão dos gases CO e NOX. O modelo base empregado foi o Long Short Term Memory (LSTM, uma Rede Neural Recorrente) e a métrica de erro Root Mean Squared Error (RMSE) foi calculada para testar a eficiência do modelo. O trabalho está dividido em 2 notebooks, nos quais há uma introdução geral dos conceitos estudados, a análise do dataset, o treinamento dos modelos e uma conclusão dos resultados obtidos. Começe por aqui - Introdução
É necessário instalar as bibliotecas Pytorch e Lightning, bem como ter ter um editor para trabalhar com o código como VSCode. Conhecimentos em ciência de dados, algoritmos de aprendizado de máquina como o Multi Layer Perceptron (MLP) e em séries temporais são bem vindos.
Após baixar os arquivos do projeto, rode os códigos abaixo:
pip install torch
pip install lightning Daniel Cassar |
|---|
 Enzo Januzzi |
|---|
[1] Gas Turbine CO and NOx Emission Data Set. 2019. UCI Machine Learning Repository. https://doi.org/10.24432/C5WC95.
[2] RUSSO, Cibele. Uma Introdução a Séries Temporais usando o Python. 2022. Tutorial - Machine Learning School for Materials @Ilum, CNPEM.
[3] KARPATHY, Andrej. The spelled-out intro to neural networks and backpropagation: building micrograd. 2022. Vídeo do YouTube. https://youtu.be/VMj-3S1tku0.
- As demais referências utilizadas estão descritas nos arquivos