dc.contributor.author | Cabezas, Luben Miguel Cruz | |
dc.date.accessioned | 2022-04-19T17:13:15Z | |
dc.date.available | 2022-04-19T17:13:15Z | |
dc.date.issued | 2022-04-12 | |
dc.identifier.citation | CABEZAS, Luben Miguel Cruz. Métodos de aprendizado ativo. 2022. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/15878. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/15878 | |
dc.description.abstract | In the field of supervised learning, the good performance of a prediction model is generally tied to the presence of a large labelled training set. However, there are many situations where labelling an instance is expensive for financial, work and/or difficulty reasons, being prohibitive to label all observations. The use of active learning is crucial for these situations. Active learning is characterized by, through different methods, selecting and adding more informative instances to the training set of a prediction model, so that it performs well with fewer instances. In this work, we studied some active learning methods such as uncertainty sampling, query by committee, expected error reduction, variance reduction, density-weighted methods and batch-mode active learning. We also propose a new active regression method with an approach different from other methods in the literature. As part of the results, we present a simulation study to illustrate how sampling bias occurs in active learning algorithms. Finally, we explore our new active regression methodology, comparing it to other active learning methodologies and passive learning. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Aprendizado supervisionado | por |
dc.subject | Aprendizado ativo | por |
dc.subject | Rotulação | por |
dc.subject | Regressão ativa | por |
dc.subject | Supervised learning | eng |
dc.subject | Active learning | eng |
dc.subject | Labeling | eng |
dc.subject | Active regression | eng |
dc.title | Métodos de aprendizado ativo | por |
dc.title.alternative | Active learning methods | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | Izbicki, Rafael | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/9991192137633896 | por |
dc.description.resumo | No campo de aprendizado supervisionado, a boa performance de um modelo de predição geralmente está atrelada à presença de um conjunto de treinamento rotulado grande. Existem, porém, situações em que a obtenção dos rótulos é custosa por motivos financeiros, de trabalho e/ou dificuldade, sendo proibitivo rotular todas as observações. Para essas situações, o uso do aprendizado ativo é fundamental. O aprendizado ativo se caracteriza por, a partir de diferentes métodos, escolher e incluir observações mais informativas ao conjunto de treinamento do modelo de predição, de forma que este tenha um bom desempenho com menos observações. Neste trabalho, estudamos alguns métodos de aprendizado ativo, como os de amostragem por incerteza, consulta por comitê, redução de erro esperada, redução de variância, ponderação por densidade e consulta por mini-lotes. Também propomos um novo método de regressão ativa com uma abordagem distinta das demais metodologias presentes na literatura. Como parte dos resultados, apresentamos um estudo de simulação para ilustrar como se dá o viés na amostragem em um algoritmo de aprendizado ativo. Finalmente, exploramos a nova metodologia de regressão ativa proposta, comparando-a à outras metodologias de regressão ativa e ao aprendizado passivo. | por |
dc.publisher.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA::REGRESSAO E CORRELACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/4622851508233513 | por |
dc.publisher.course | Estatística - Es | por |