Imagen de Google Jackets

Framework para aprendizaje activo / Agustín Daniel Márquez Braconi, directora Laura Alonso Alemany.

Por: Colaborador(es): Detalles de publicación: [S.l. : s.n. ], 2019.Descripción: 53 hojas : ilustraciones ; 30 cmTema(s): Recursos en línea: Nota de disertación: Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019. Resumen: Muchos proyectos de Machine Learning de la actualidad precisan de un gran número de datos etiquetados para poder entrenar los algoritmos. El etiquetado de los mismos tiene un gran costo tanto económico como de tiempo. Una solución a este problema es el Active Learning, una forma inteligente de seleccionar qué instancias etiquetar para maximizar el aprendizaje. Para facilitar esta tarea propongo realizar un framework de software que sirva para desplegar proyectos de este tipo. El framework desarrollado fue puesto a prueba logrando excelentes resultados, mostrando que a partir de un mismo conjunto de datos, si se seleccionan las instancias a etiquetar inteligentemente se puede lograr el rendimiento máximo con una cantidad considerablemente menor de ejemplos.Resumen: Many Machine Learning projects today require a large number of tagged data to train the algorithms. The labeling of them has a great cost both economic and time. A solution to this problem is Active Learning, an intelligent way to select which instances to label to maximize learning. To facilitate this task I propose to make a software framework that serves to deploy projects of this type. The developed framework was tested achieving excellent results, showing that from the same data set, if you select the instances to label intelligently you can achieve maximum performance with a considerably smaller number of examples.
Etiquetas de esta biblioteca: No hay etiquetas de esta biblioteca para este título.
Existencias
Tipo de ítem Biblioteca actual Signatura Estado Fecha de vencimiento Código de barras Reserva de ítems
Trabajo Especial de Grado Trabajo Especial de Grado FaMAF Secc. Tesis y Trabajos especiales Trabajo Especial Computación CAJA 25 - 23767 Disponible 23767
Total de reservas: 0

Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2019.

Bibliografía: hoja 53.

Muchos proyectos de Machine Learning de la actualidad precisan de un gran número de datos etiquetados para poder entrenar los algoritmos. El etiquetado de los mismos tiene un gran costo tanto económico como de tiempo.
Una solución a este problema es el Active Learning, una forma inteligente de seleccionar qué instancias etiquetar para maximizar el aprendizaje.
Para facilitar esta tarea propongo realizar un framework de software que sirva para desplegar proyectos de este tipo.
El framework desarrollado fue puesto a prueba logrando excelentes resultados, mostrando que a partir de un mismo conjunto de datos, si se seleccionan las instancias a etiquetar inteligentemente se puede lograr el rendimiento máximo con una cantidad considerablemente menor de ejemplos.

Many Machine Learning projects today require a large number of tagged data to train the algorithms.
The labeling of them has a great cost both economic and time.
A solution to this problem is Active Learning, an intelligent way to select which instances to label to maximize learning.
To facilitate this task I propose to make a software framework that serves to deploy projects of this type.
The developed framework was tested achieving excellent results, showing that from the same data set, if you select the instances to label intelligently you can achieve maximum performance with a considerably smaller number of examples.

cc Bajo una Licencia Creative Commons Atribución-NoComercial-
CompartirIgual 4.0 Internacional. CC BY-NC-SA

https://creativecommons.org/licenses/by-nc-sa/4.0/


Nuestras Redes Sociales

facebook Instagram

Horario de la Biblioteca: lunes a viernes de 8:30 a 18:30hs

Av. Medina Allende s/n , Ciudad Universitaria, Córdoba, Argentina

Tel: +54 351 5353701 int. 41127 (Atención al Público) int. 41151 (Dirección)

biblio@famaf.unc.edu.ar (Dirección)

publicofamaf@gmail.com (Atención al público)