Este repositório visa implementar e comparar modelos generativos, incluindo Autoencoders, Variational Autoencoders (VAEs) e Generative Adversarial Networks (GANs), para a síntese de dados. A avaliação é conduzida no conjunto de dados Fashion MNIST, abordando três configurações de síntese: amostras de treinamento, amostras de teste e síntese estocástica a partir de ruído aleatório.
- Implementar ou utilizar implementações existentes de Autoencoders, VAEs e GANs.
- Comparar resultados de síntese para amostras de treinamento e teste.
- Avaliar a síntese estocástica utilizando ruído aleatório.
- Oferecer uma análise estruturada das diferenças observadas entre os modelos e suas configurações de síntese.
- Discutir como o comportamento observado se relaciona com o embasamento teórico de cada modelo.
Os resultados são organizados por tipo de modelo (Autoencoders, VAEs, GANs) e configuração de síntese (treinamento, teste, estocástica). A análise proporciona insights sobre discrepâncias observadas, variações de desempenho e justificativas teóricas para os comportamentos identificados.
- Certifique-se de instalar as dependências necessárias conforme o arquivo de requisitos fornecido.
- O código incorpora funções auxiliares das aulas práticas para assegurar consistência.