Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/39812
Document type: | Trabalho de Conclusão de Curso |
Access type: | Acesso Aberto |
Title: | Ciência de dados e aprendizado de máquina aplicados à análise sensorial de cervejas |
Author: | Lima, Artur Duarte |
First Advisor: | Altino, Sarah Arvelos |
First member of the Committee: | Gedraite, Rubens |
Second member of the Committee: | Silva, Paulo Henrique Ramos |
Summary: | A Engenharia Química desempenha um papel fundamental na otimização de processos industriais, com uma ênfase particular na indústria alimentícia. Nesse contexto, a produção de cerveja se destaca como um campo de pesquisa importante, que combina tradição e inovação tecnológica para competir em um mercado altamente competitivo. As características sensoriais desempenham um papel crucial na cerveja, influenciando a preferência dos consumidores. A análise sensorial na indústria de alimentos evoluiu ao longo do tempo, adotando métodos mais formais e avançados, incluindo avaliações computadorizadas e análise estatística. Painéis de degustação treinados desempenham um papel central na identificação de atributos sensoriais, permitindo ajustes nas formulações para atender às preferências dos consumidores. Além disso, a análise sensorial desempenha um papel essencial na garantia da qualidade, detectando variações indesejadas e contribuindo para o desenvolvimento de novos produtos. A análise de dados e os algoritmos de machine learning, por sua vez, desempenham um papel crucial na caracterização e previsão de sabores e perfis de cerveja. O presente trabalho de conclusão de curso objetivou apresentar uma revisão bibliográfica breve sobre o assunto, assim como também apresentar um breve estudo de caso a respeito da caracterização de cervejas. Foram aplicadas técnicas de análise de dados e uma regressão utilizando-se o modelo de k-vizinhos mais próximos (KNN). Os resultados mostraram que o KNN, apesar de sua simplificidade, é capaz de prever o teor alcoólico de diversos tipos de cervejas, representando com o Mean Squared Error (MSE) de ~1.1 o conjunto de teste dos dados. |
Abstract: | Chemical Engineering plays a fundamental role in optimizing industrial processes, with a particular emphasis on the food industry. In this context, beer production stands out as an important field of research that combines tradition and technological innovation to compete in a highly competitive market. Sensory characteristics play a crucial role in beer, influencing consumer preferences. Sensory analysis in the food industry has evolved over time, adopting more formal and advanced methods, including computerized assessments and statistical analysis. Trained tasting panels play a central role in identifying sensory attributes, allowing adjustments in formulations to meet consumer preferences. Furthermore, sensory analysis plays an essential role in quality assurance by detecting undesirable variations and contributing to the development of new products. Data analysis and machine learning algorithms, in turn, play a crucial role in characterizing and predicting beer flavors and profiles. This undergraduate thesis aimed to present a brief literature review on the subject and also aimed to provide a brief case study on beer characterization. Data analysis techniques and regression using the k-nearest neighbors (KNN) model were applied. The results showed that despite its simplicity, KNN is capable of predicting the alcohol content of various types of beers, representing with MSE of 1.1 the test group of data. |
Keywords: | Análise sensorial Sensory analysis Cerveja Beer Aprendizdo de máquina Machine learning |
Area (s) of CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA QUIMICA |
Language: | por |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Quote: | LIMA, Artur Duarte. Ciência de dados e aprendizado de máquina aplicados à análise sensorial de cervejas. 2023. 40 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Química) – Universidade Federal de Uberlândia, Uberlândia, 2023. |
URI: | https://repositorio.ufu.br/handle/123456789/39812 |
Date of defense: | 30-Nov-2023 |
Appears in Collections: | TCC - Engenharia Química |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
CiênciaDadosAprendizado.pdf | TCC | 1.47 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.