roundb commited on
Commit
f426ab3
·
verified ·
1 Parent(s): 9b667c7

Update index.html

Browse files
Files changed (1) hide show
  1. index.html +6 -7
index.html CHANGED
@@ -318,8 +318,7 @@
318
  </tbody>
319
  </table>
320
 
321
- <img src="visualizations/01_dataset_distribution.png" alt="Distribuição do Dataset">
322
- </section>
323
 
324
  <!-- Desempenho Durante Treinamento -->
325
  <section>
@@ -328,11 +327,11 @@
328
 
329
  <h3>Evolução da Acurácia</h3>
330
  <p>O gráfico demonstra um aumento consistente da acurácia, tanto nos dados de treino quanto nos de validação, estabilizando-se em um patamar próximo a 100%, o que indica um aprendizado bem-sucedido.</p>
331
- <img src="visualizations/02_accuracy_evolution.png" alt="Evolução da Acurácia">
332
 
333
  <h3>Evolução da Loss (Erro)</h3>
334
  <p>De forma complementar, a margem de erro (loss) diminuiu progressivamente ao longo do treinamento, aproximando-se de zero. Isso confirma que o modelo se tornou cada vez mais confiante e preciso em suas previsões.</p>
335
- <img src="visualizations/03_loss_evolution.png" alt="Evolução da Loss">
336
  </section>
337
 
338
  <!-- Resultados Finais -->
@@ -398,13 +397,13 @@
398
  </ul>
399
  </div>
400
 
401
- <img src="visualizations/04_final_metrics.png" alt="Métricas Finais">
402
 
403
  <h3>Comparativo: Validação vs. Teste</h3>
404
  <p>O desempenho do modelo foi consistente entre os conjuntos de validação e teste, o que demonstra que ele não apenas memorizou os dados de treino, mas <strong>aprendeu a generalizar</strong> o conhecimento para novas situações. Esta é uma característica crucial para um modelo de IA robusto e confiável.</p>
405
- <img src="visualizations/05_validation_vs_test.png" alt="Comparativo Validação vs. Teste">
406
 
407
- <img src="visualizations/06_improvement_progress.png" alt="Progresso de Melhoria">
408
  </section>
409
 
410
  <!-- Conclusão -->
 
318
  </tbody>
319
  </table>
320
 
321
+ <img src="01_dataset_distribution.png" alt="Distribuição do Dataset"> </section>
 
322
 
323
  <!-- Desempenho Durante Treinamento -->
324
  <section>
 
327
 
328
  <h3>Evolução da Acurácia</h3>
329
  <p>O gráfico demonstra um aumento consistente da acurácia, tanto nos dados de treino quanto nos de validação, estabilizando-se em um patamar próximo a 100%, o que indica um aprendizado bem-sucedido.</p>
330
+ <img src="02_accuracy_evolution.png" alt="Evolução da Acurácia">
331
 
332
  <h3>Evolução da Loss (Erro)</h3>
333
  <p>De forma complementar, a margem de erro (loss) diminuiu progressivamente ao longo do treinamento, aproximando-se de zero. Isso confirma que o modelo se tornou cada vez mais confiante e preciso em suas previsões.</p>
334
+ <img src="03_loss_evolution.png" alt="Evolução da Loss">
335
  </section>
336
 
337
  <!-- Resultados Finais -->
 
397
  </ul>
398
  </div>
399
 
400
+ <img src="04_final_metrics.png" alt="Métricas Finais">
401
 
402
  <h3>Comparativo: Validação vs. Teste</h3>
403
  <p>O desempenho do modelo foi consistente entre os conjuntos de validação e teste, o que demonstra que ele não apenas memorizou os dados de treino, mas <strong>aprendeu a generalizar</strong> o conhecimento para novas situações. Esta é uma característica crucial para um modelo de IA robusto e confiável.</p>
404
+ <img src="05_validation_vs_test.png" alt="Comparativo Validação vs. Teste">
405
 
406
+ <img src="06_improvement_progress.png" alt="Progresso de Melhoria">
407
  </section>
408
 
409
  <!-- Conclusão -->