Aprendizagem semi-supervisionada aplicada à engenharia financeira
Autor(a) principal: | |
---|---|
Data de Publicação: | 2007 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/BUOS-8CEE5L |
Resumo: | A aprendizagem semi-supervisionada se tornou, recentemente, emuma boa alternativa para aumentar a capacidade de generalizaçãode modelos de aprendizagem de máquina. A abordagem é utilizada,geralmente, em problemas que as amostras rotuladas são difíceis de serem obtidas, e as sem rótulo, por sua vez, são abundantes e facilmente coletadas; o algoritmo de treinamento semi-supervisionado busca, então, gerar a superfície de separação entre as classes com base também nas amostras sem rótulo. Um exemplo clássico é o de classificação de sites na web: gasta-se muito tempo para se rotular uma amostra de forma confiável. Entretanto, um crawler é capaz de coletar inúmeras amostras sem rótulo rapidamente. Este trabalho mostra uma aplicação diferenciada do aprendizado semisupervisionado, pois nesse caso, possui-se um extenso conjunto de treinamento rotulado (séries temporais financeiras são facilmente encontradas para download na internet), no entanto, a qualidade desse conjunto é colocada emquestão: a rotulação é confiável? Através da abordagem semi-supervisionada foi possível minimizar os dados ruidosos do conjunto de treinamento, melhorando os resultados obtidos. |
id |
UFMG_34248756b05e811a93301064d6626366 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/BUOS-8CEE5L |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Antonio de Padua BragaLevi Henrique Santana de Lelis2019-08-13T19:23:50Z2019-08-13T19:23:50Z2007-06-06http://hdl.handle.net/1843/BUOS-8CEE5LA aprendizagem semi-supervisionada se tornou, recentemente, emuma boa alternativa para aumentar a capacidade de generalizaçãode modelos de aprendizagem de máquina. A abordagem é utilizada,geralmente, em problemas que as amostras rotuladas são difíceis de serem obtidas, e as sem rótulo, por sua vez, são abundantes e facilmente coletadas; o algoritmo de treinamento semi-supervisionado busca, então, gerar a superfície de separação entre as classes com base também nas amostras sem rótulo. Um exemplo clássico é o de classificação de sites na web: gasta-se muito tempo para se rotular uma amostra de forma confiável. Entretanto, um crawler é capaz de coletar inúmeras amostras sem rótulo rapidamente. Este trabalho mostra uma aplicação diferenciada do aprendizado semisupervisionado, pois nesse caso, possui-se um extenso conjunto de treinamento rotulado (séries temporais financeiras são facilmente encontradas para download na internet), no entanto, a qualidade desse conjunto é colocada emquestão: a rotulação é confiável? Através da abordagem semi-supervisionada foi possível minimizar os dados ruidosos do conjunto de treinamento, melhorando os resultados obtidos.Semi-supervised learning had become, recently, a good alternative toimprove generalization capacity in machine learning models. The approach is generally used in problems that labeled samples are hard tobe obtained and unlabeled, in turn, are plenty and easily collected; the semisupervised training algorithm tries to generate the separation surface between the two classes based also on unlabeled data. A classic example is the web sites classification: give a trustworthy label to a sample is time consuming. Nonetheless, a crawler can quickly collect a great number of unlabeled samples. This work shows a different application of semi-supervised learning, because in this case, it is possessed a long labeled training set (financial time series can be easily downloaded from internet), however, the quality of this set is put under prove: the labels are trustworthy? Through the semi-supervisedapproach it was possible minimize the noise data from training set, improving the results obtained.Universidade Federal de Minas GeraisUFMGEngenharia elétricaEngenharia ElétricaAprendizagem semi-supervisionada aplicada à engenharia financeirainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALlevi_henrique_santana_de_lelis.pdfapplication/pdf1742108https://repositorio.ufmg.br/bitstream/1843/BUOS-8CEE5L/1/levi_henrique_santana_de_lelis.pdfbc8ab92196f7170bd3812335e9a02ce2MD51TEXTlevi_henrique_santana_de_lelis.pdf.txtlevi_henrique_santana_de_lelis.pdf.txtExtracted texttext/plain205839https://repositorio.ufmg.br/bitstream/1843/BUOS-8CEE5L/2/levi_henrique_santana_de_lelis.pdf.txtae3c680a816f8315672cf0b84b229c5eMD521843/BUOS-8CEE5L2019-11-14 14:08:21.307oai:repositorio.ufmg.br:1843/BUOS-8CEE5LRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2019-11-14T17:08:21Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Aprendizagem semi-supervisionada aplicada à engenharia financeira |
title |
Aprendizagem semi-supervisionada aplicada à engenharia financeira |
spellingShingle |
Aprendizagem semi-supervisionada aplicada à engenharia financeira Levi Henrique Santana de Lelis Engenharia Elétrica Engenharia elétrica |
title_short |
Aprendizagem semi-supervisionada aplicada à engenharia financeira |
title_full |
Aprendizagem semi-supervisionada aplicada à engenharia financeira |
title_fullStr |
Aprendizagem semi-supervisionada aplicada à engenharia financeira |
title_full_unstemmed |
Aprendizagem semi-supervisionada aplicada à engenharia financeira |
title_sort |
Aprendizagem semi-supervisionada aplicada à engenharia financeira |
author |
Levi Henrique Santana de Lelis |
author_facet |
Levi Henrique Santana de Lelis |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Antonio de Padua Braga |
dc.contributor.author.fl_str_mv |
Levi Henrique Santana de Lelis |
contributor_str_mv |
Antonio de Padua Braga |
dc.subject.por.fl_str_mv |
Engenharia Elétrica |
topic |
Engenharia Elétrica Engenharia elétrica |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia elétrica |
description |
A aprendizagem semi-supervisionada se tornou, recentemente, emuma boa alternativa para aumentar a capacidade de generalizaçãode modelos de aprendizagem de máquina. A abordagem é utilizada,geralmente, em problemas que as amostras rotuladas são difíceis de serem obtidas, e as sem rótulo, por sua vez, são abundantes e facilmente coletadas; o algoritmo de treinamento semi-supervisionado busca, então, gerar a superfície de separação entre as classes com base também nas amostras sem rótulo. Um exemplo clássico é o de classificação de sites na web: gasta-se muito tempo para se rotular uma amostra de forma confiável. Entretanto, um crawler é capaz de coletar inúmeras amostras sem rótulo rapidamente. Este trabalho mostra uma aplicação diferenciada do aprendizado semisupervisionado, pois nesse caso, possui-se um extenso conjunto de treinamento rotulado (séries temporais financeiras são facilmente encontradas para download na internet), no entanto, a qualidade desse conjunto é colocada emquestão: a rotulação é confiável? Através da abordagem semi-supervisionada foi possível minimizar os dados ruidosos do conjunto de treinamento, melhorando os resultados obtidos. |
publishDate |
2007 |
dc.date.issued.fl_str_mv |
2007-06-06 |
dc.date.accessioned.fl_str_mv |
2019-08-13T19:23:50Z |
dc.date.available.fl_str_mv |
2019-08-13T19:23:50Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/BUOS-8CEE5L |
url |
http://hdl.handle.net/1843/BUOS-8CEE5L |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/BUOS-8CEE5L/1/levi_henrique_santana_de_lelis.pdf https://repositorio.ufmg.br/bitstream/1843/BUOS-8CEE5L/2/levi_henrique_santana_de_lelis.pdf.txt |
bitstream.checksum.fl_str_mv |
bc8ab92196f7170bd3812335e9a02ce2 ae3c680a816f8315672cf0b84b229c5e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1801677030100566016 |