REDUÇÃO DE DIMENSIONALIDADE, RANQUEAMENTO E PREDIÇÃO DE CPUs E GPUs COM CIÊNCIA DE DADOS E MACHINE LEARNING

Davi Coene Rosa, Eduardo Peres Mosena, Tiago Rafael Wengrat, Thiago Schaedler Uhlmann

Resumo


Este artigo explora a aplicação prática da Ciência de Dados na análise comparativa de dados técnicos sobre unidades de processamento gráfico (GPUs) e unidades centrais de processamento (CPUs). Utilizando técnicas de manipulação, visualização e extração de conhecimento a partir de um banco de dados especializado, busca-se evidenciar padrões de desempenho, consumo e arquitetura entre esses dois componentes fundamentais da computação moderna, e descobrir o melhor processador e placa de vídeo nessa base de dados. O estudo fundamenta-se em princípios estatísticos e técnicas de análise exploratória de dados. A proposta visa não apenas ilustrar o potencial da Ciência de Dados em contextos técnicos, mas também contribuir com insights para decisões em áreas como engenharia de software, arquitetura de sistemas e inteligência artificial.


Palavras-chave


Ciência de Dados, GPU, CPU, Banco de Dados, Machine Learning.

Texto completo:

Sem título

Referências


ALPAYDIN, Ethem. Introduction to Machine Learning. 4. ed. Cambridge: MIT Press, 2020.

GOODFELLOW, Ian; BENGIO, Yoshua; COURVILLE, Aaron. Deep Learning. Cambridge: MIT Press, 2016. Disponível em: https://www.deeplearningbook.org/. Acesso em: 20 jun. 2025.

JAIN, Anil K. Data clustering: 50 years beyond K-means. Pattern Recognition Letters, v. 31, n. 8, p. 651–666, 2010. Disponível em: https://doi.org/10.1016/j.patrec.2009.09.011. Acesso em: 20 jun. 2025.

JAMES, Gareth et al. An Introduction to Statistical Learning: with Applications in R. 2. ed. New York: Springer, 2021. Disponível em: https://www.statlearning.com. Acesso em: 20 jun. 2025.

JOLLIFFE, Ian T. Principal Component Analysis. 2. ed. New York: Springer, 2002.

MACQUEEN, J. Some methods for classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, v. 1, p. 281–297, 1967.

MARR, Bernard. Big Data: Using SMART Big Data, Analytics and Metrics to Make Better Decisions and Improve Performance. Chichester: Wiley, 2016.

MONTGOMERY, Douglas C.; RUNGER, George C. Applied Statistics and Probability for Engineers. 7. ed. Hoboken: Wiley, 2020.

PROVOST, Foster; FAWCETT, Tom. Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking. Sebastopol: O’Reilly Media, 2013.

R CORE TEAM. R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing, 2024. Disponível em: https://www.R-project.org/. Acesso em: 20 jun. 2025.

SEBESTA, Robert W. Conceitos de Linguagens de Programação. 10. ed. São Paulo: Pearson, 2012.

SHMUELI, Galit; KOPPIUS, Otto R. Predictive Analytics in Information Systems Research. MIS Quarterly, v. 35, n. 3, p. 553–572, 2011. Disponível em: https://www.jstor.org/stable/23042796. Acesso em: 20 jun. 2025.

TANENBAUM, Andrew S.; BOS, Herbert. Modern Operating Systems. 4. ed. Upper Saddle River: Pearson, 2015.

TRIOLA, Mario F. Introdução à Estatística. 12. ed. Rio de Janeiro: LTC, 2019.

WICKHAM, Hadley. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. Sebastopol: O’Reilly Media, 2017. Disponível em: https://r4ds.had.co.nz. Acesso em: 20 jun. 2025.

WICKHAM, Hadley; GROLEMUND, Garrett. R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. Sebastopol: O’Reilly Media, 2017. Disponível em: https://r4ds.had.co.nz. Acesso em: 20 jun. 2025.