Machine learning as a way to be more precise when defining milk quality classification

Authors

DOI:

https://doi.org/10.20397/2177-6652/2023.v23i4.2696

Keywords:

Machine learning, Random Forest, Extra Trees Classifier, KNeighbors Classifier, Milk, Agribusiness, Milk quality

Abstract

Objective: Machine learning algorithm that manages to have a high rate of use in relation to the prediction of the evaluation of milk quality.

Methodology: Is explanatory in nature, quantitative and qualitative methods were used, and data was used to understand the final analyses.

Originality: The article shows how the models were developed, the tests applied before the implementation of the models, the utilization rate of each model and also an analysis of which is the most efficient model for a specific situation.

Mains results: The specifications of each machine learning model and its impact on the development of the models that were used in the work were determined by tests and applications made in the Python programming language; the positive and negative results were considered to arrive at a final position on what was the best way to use the algorithms in this case.

Theorical contributions: This work contributes to the literature on computer science world and in agricultural world too.

Social contributions: The article concludes that the application of Machine learning models in milk quality classification can help many companies or organizations that need to streamline processes and increase the accuracy rate when measuring milk classification, to have a high improvement in this process and consequently increase productivity and profitability.

Author Biography

Hygor Santiago, UNICAMP

Engenheiro mecânico formado pela UFSJ onde participou dos grupos Cyros, Milhas Gerais e Gep_LASID onde exerceu diversas atividades em pesquisa e liderança. Mestre em Engenharia Mecânica na Unicamp onde trabalha com Inteligência Artificial em sistemas de classificação baseados em séries temporais, aplicado a eletrocardiologia. Cientista de dados e Business Intelligence na Thinkseg e Bidu.

References

Almeida, F. G. de O. (2014). Classificadores de polaridade de notícias utilizando ferramentas de machine learning: o caso da Vale SA.

Campos, R. C. P., & Miguel, P. A. C. (2013). Melhoria do processo de produção por meio da aplicação do Desdobramento da Função Qualidade. Sistemas & Gestão, 8(2), 200-209.

Carspecken, P. F. (2011). Pesquisa qualitativa crítica: conceitos básicos. Educação & Realidade, 36(2), 395-424.

Dalfovo, M. S., Lana, R. A., & Silveira, A. (2008). Métodos quantitativos e qualitativos: um resgate teórico. Revista interdisciplinar científica aplicada.

De Figueiredo, C. R. B., & Cabral, F. G. (2020). Inteligência artificial: machine learning na Administração Pública: Artificial intelligence: machine learning in public administration. International Journal of Digital Law, 1(1), 79-96.

Domingos, P. (2017). O algoritmo mestre: como a busca pelo algoritmo de machine learning definitivo recriará nosso mundo. Novatec Editora.

Junior, B. (2022). Transformando códigos em sonhos: conselhos que gostaria de receber ao entrar na área da tecnologia. SEVEN publicações acadêmicas.

Lopes, L. P. (2018). Predição do preço do café Naturais Brasileiro por meio de modelos de statistical machine learning. Sigmae, 7(1), 1-16.

Maier, O., et al. (2015). Extra tree forests for sub-acute ischemic stroke lesion segmentation in MR sequences. Journal of neuroscience methods, 240, 89–100.

Müller, A. C., & Guido, S. (2017). Introduction to Machine Learning with Python: a guide for data scientists (2ª ed.). Sebastopol: O’reilly Media, Inc.

Piovezan, R. P. B., et al. (2022). Método de aprendizagem de máquina visando prever a direção de retornos de exchange traded funds (ETFs) com utilização de modelos de classificação e regressão.

Sano, H., & Montenegro Filho, M. J. F. (2013). As técnicas de avaliação da eficiência, eficácia e efetividade na gestão pública e sua relevância para o desenvolvimento social e das ações públicas. Desenvolvimento em questão, 11(22), 35-61.

Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding machine learning: from theory to algorithms. Cambridge: Cambridge University Press.

Tomé, V. T. (2017). Utilização de machine learning para categorização dos gastos de bitcoin no Brasil. Tese de Doutorado.

Downloads

Published

2023-12-21

How to Cite

Santiago, H., & Cunha, M. (2023). Machine learning as a way to be more precise when defining milk quality classification. Journal of Management & Technology, 23(4), 222–237. https://doi.org/10.20397/2177-6652/2023.v23i4.2696

Issue

Section

ARTIGO