Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Egea, Leandro Gines | - |
Autor(es): dc.contributor | Kubrusly, Jessica Quintanilha | - |
Autor(es): dc.contributor | Paula, Alan Prata de | - |
Autor(es): dc.contributor | Freitas, Marina Sequeiros Dias de | - |
Autor(es): dc.creator | Ignacio, Lucas França Ferreira | - |
Data de aceite: dc.date.accessioned | 2024-07-11T17:55:00Z | - |
Data de disponibilização: dc.date.available | 2024-07-11T17:55:00Z | - |
Data de envio: dc.date.issued | 2021-08-10 | - |
Data de envio: dc.date.issued | 2021-08-10 | - |
Data de envio: dc.date.issued | 2020 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/22872 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/760030 | - |
Descrição: dc.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. | - |
Descrição: dc.description | 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. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Aprendizado PAC | - |
Palavras-chave: dc.subject | Dimensão VC | - |
Palavras-chave: dc.subject | Teoria da probabilidade | - |
Palavras-chave: dc.subject | Algoritmo computacional | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | PAC learning | - |
Palavras-chave: dc.subject | VC dimension | - |
Título: dc.title | Aprendizado de máquina: da teoria à aplicação | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: