Ao trabalhar com Aprendizagem de Máquina, existem casos em que manipular o conjunto de dados pode se tornar trabalhoso ou demorado devido à grande quantidade de informação. Apesar de existirem técnicas de redução de dimensionalidade como a análise de componentes principais ou a análise discriminante linear que podem ser utilizadas para reduzir a quantidade de atributos, elas não são capazes de reduzir o conjunto de dados sem perda de informação. Esse trabalho busca investigar a possibilidade de empregar técnicas que transformam dados de formas que seriam extremamente difíceis de reverter ao combiná-las com o uso de redes neurais para essa restauração dos dados, sem que haja perda de informação. Para isso, foi criada uma prova de conceito utilizando a base dedados clássica de flores Iris. Apesar de não terem sido capazes de restaurar o conjunto de dados original, os modelos testados foram capazes de obter valores muito próximos dos originais. Por se tratar de um estudo inicial, houveram diversas limitações nos testes realizados. Ainda que o objetivo proposto não tenha sido atingido, ficou evidente que ainda existe potencial inexplorado para este conceito.
Working with Machine Learning, there are cases when manipulating datasets can become cumbersome or slow due to the great amount of data. Despite there being dimensionality reduction techniques such as principal component analysis or linear discriminant analysis that can be used to reduce the amount of attributes, these techniques are not able to reduce the dataset without information loss. This article aims to investigate the possibility of employing techniques which transform data in ways that would be extremely hard to revert by combining them with the use of neural networks for the data restoration, with no information loss. For this purpose, a proof of concept was made using the iris dataset. Although they weren't able to restore the original datasets, the tested models were able to produce values very close to the originals. Being an initial study, there were many limitations on the tests done. So even though the proposed goal was not reached, it became clear that there's still much unexplored potential for this concept.
