Aprendizado de máquina: da teoria à aplicação
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
Texto Completo: | https://app.uff.br/riuff/handle/1/22872 |
Resumo: | Neste trabalho, é apresentada a teoria de aprendizado PAC, uma definição matemática embasada na teoria de probabilidade, utilizada para justificar, de maneira formal, intuições que permeiam o campo de aprendizado de máquina. São abordadas tanto a definição desta noção de aprendizado e suas generalizações como os conceitos e resultados que a fundamentam, sendo a ideia de dimensão VC um exemplo. Ademais, baseado no princípio de minimização do risco empírico (ERM), são discutidas as formulações de dois algoritmos de aprendizado, o algoritmo Perceptron e a regressão linear. Por fim, estes dois algoritmos são utilizados para resolver problemas clássicos presentes na literatura. |
id |
UFF-2_03c1b841e853c52142b1e6878809558c |
---|---|
oai_identifier_str |
oai:app.uff.br:1/22872 |
network_acronym_str |
UFF-2 |
network_name_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository_id_str |
2120 |
spelling |
Aprendizado de máquina: da teoria à aplicaçãoAprendizado de máquinaAprendizado PACDimensão VCTeoria da probabilidadeAlgoritmo computacionalMachine learningPAC learningVC dimensionNeste trabalho, é apresentada a teoria de aprendizado PAC, uma definição matemática embasada na teoria de probabilidade, utilizada para justificar, de maneira formal, intuições que permeiam o campo de aprendizado de máquina. São abordadas tanto a definição desta noção de aprendizado e suas generalizações como os conceitos e resultados que a fundamentam, sendo a ideia de dimensão VC um exemplo. Ademais, baseado no princípio de minimização do risco empírico (ERM), são discutidas as formulações de dois algoritmos de aprendizado, o algoritmo Perceptron e a regressão linear. Por fim, estes dois algoritmos são utilizados para resolver problemas clássicos presentes na literatura.In this work, the PAC learning theory is presented, a mathematical definition based on probability theory, used to justify, in a formal way, intuitions that permeate the field of machine learning. Both the definition of this notion of learning and its generalizations are addressed, as well as the concepts and results that underlie it, the idea of VC dimension being one example. Furthermore, based on the principle of empirical risk minimization (ERM), the formulations of two learning algorithms, the Perceptron algorithm and the Linear Regression, are discussed. Finally, these two algorithms are used to solve classical problems present in the literature.Egea, Leandro GinesKubrusly, Jessica QuintanilhaPaula, Alan Prata deFreitas, Marina Sequeiros Dias deIgnacio, Lucas França Ferreira2021-08-10T12:56:36Z2021-08-10T12:56:36Z2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisapplication/pdfIGNACIO, Lucas França Ferreira. Aprendizado de máquina: da teoria à aplicação. 2021. 80f. Trabalho de Conclusão de Curso (Graduação em Matemática) - Instituto de Ciências Exatas, Universidade Federal Fluminense, Volta Redonda, 2021.https://app.uff.br/riuff/handle/1/22872http://creativecommons.org/licenses/by-nc-nd/3.0/br/CC-BY-SAinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF)instname:Universidade Federal Fluminense (UFF)instacron:UFF2022-06-24T20:39:53Zoai:app.uff.br:1/22872Repositório InstitucionalPUBhttps://app.uff.br/oai/requestriuff@id.uff.bropendoar:21202024-08-19T10:58:38.454732Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF)false |
dc.title.none.fl_str_mv |
Aprendizado de máquina: da teoria à aplicação |
title |
Aprendizado de máquina: da teoria à aplicação |
spellingShingle |
Aprendizado de máquina: da teoria à aplicação Ignacio, Lucas França Ferreira Aprendizado de máquina Aprendizado PAC Dimensão VC Teoria da probabilidade Algoritmo computacional Machine learning PAC learning VC dimension |
title_short |
Aprendizado de máquina: da teoria à aplicação |
title_full |
Aprendizado de máquina: da teoria à aplicação |
title_fullStr |
Aprendizado de máquina: da teoria à aplicação |
title_full_unstemmed |
Aprendizado de máquina: da teoria à aplicação |
title_sort |
Aprendizado de máquina: da teoria à aplicação |
author |
Ignacio, Lucas França Ferreira |
author_facet |
Ignacio, Lucas França Ferreira |
author_role |
author |
dc.contributor.none.fl_str_mv |
Egea, Leandro Gines Kubrusly, Jessica Quintanilha Paula, Alan Prata de Freitas, Marina Sequeiros Dias de |
dc.contributor.author.fl_str_mv |
Ignacio, Lucas França Ferreira |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Aprendizado PAC Dimensão VC Teoria da probabilidade Algoritmo computacional Machine learning PAC learning VC dimension |
topic |
Aprendizado de máquina Aprendizado PAC Dimensão VC Teoria da probabilidade Algoritmo computacional Machine learning PAC learning VC dimension |
description |
Neste trabalho, é apresentada a teoria de aprendizado PAC, uma definição matemática embasada na teoria de probabilidade, utilizada para justificar, de maneira formal, intuições que permeiam o campo de aprendizado de máquina. São abordadas tanto a definição desta noção de aprendizado e suas generalizações como os conceitos e resultados que a fundamentam, sendo a ideia de dimensão VC um exemplo. Ademais, baseado no princípio de minimização do risco empírico (ERM), são discutidas as formulações de dois algoritmos de aprendizado, o algoritmo Perceptron e a regressão linear. Por fim, estes dois algoritmos são utilizados para resolver problemas clássicos presentes na literatura. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-08-10T12:56:36Z 2021-08-10T12:56:36Z 2021 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
IGNACIO, Lucas França Ferreira. Aprendizado de máquina: da teoria à aplicação. 2021. 80f. Trabalho de Conclusão de Curso (Graduação em Matemática) - Instituto de Ciências Exatas, Universidade Federal Fluminense, Volta Redonda, 2021. https://app.uff.br/riuff/handle/1/22872 |
identifier_str_mv |
IGNACIO, Lucas França Ferreira. Aprendizado de máquina: da teoria à aplicação. 2021. 80f. Trabalho de Conclusão de Curso (Graduação em Matemática) - Instituto de Ciências Exatas, Universidade Federal Fluminense, Volta Redonda, 2021. |
url |
https://app.uff.br/riuff/handle/1/22872 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ CC-BY-SA info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ CC-BY-SA |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da Universidade Federal Fluminense (RIUFF) instname:Universidade Federal Fluminense (UFF) instacron:UFF |
instname_str |
Universidade Federal Fluminense (UFF) |
instacron_str |
UFF |
institution |
UFF |
reponame_str |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
collection |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) |
repository.name.fl_str_mv |
Repositório Institucional da Universidade Federal Fluminense (RIUFF) - Universidade Federal Fluminense (UFF) |
repository.mail.fl_str_mv |
riuff@id.uff.br |
_version_ |
1811823625060220928 |