Estudio, análisis y desarrollo de técnicas de “interactive machine learning” y su comparación con el “machine learning” tradicional.
![Thumbnail](/dspace/bitstream/handle/2183/31885/PerezSanchez_Alberto_TFG_2022.pdf.jpg?sequence=4&isAllowed=y)
Use este enlace para citar
http://hdl.handle.net/2183/31885Coleccións
Metadatos
Mostrar o rexistro completo do ítemTítulo
Estudio, análisis y desarrollo de técnicas de “interactive machine learning” y su comparación con el “machine learning” tradicional.Autor(es)
Director(es)
Mosqueira-Rey, E.Alonso Ríos, David
Data
2022Centro/Dpto/Entidade
Universidade da Coruña. Facultade de InformáticaDescrición
Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2021/2022Resumo
[Resumen]: El Aprendizaje Máquina es usado por gran parte de la comunidad científica como una caja
negra: datos de entrada, ajuste de hiperparámetros, entrenamiento del modelo y obtención de
resultados. Los modelos que se desarrollen bajo este escenario corren el riesgo de no escalar
bien, volverse estáticos o ser difíciles de evaluar.
El Aprendizaje Máquina Interactivo son un conjunto de técnicas que intentan introducir
activamente a los humanos en el bucle de aprendizaje de los modelos, funciona especialmente
bien cuando el dominio es complejo, no hay suficientes datos o son muy costosos de anotar.
El Aprendizaje Máquina Interactivo se divide dependiendo del papel que ocupa el humano
dentro del ciclo de aprendizaje del modelo. En nuestro proyecto el Aprendizaje Activo es la
aproximación desarrollada que consiste en que el modelo consulta al humano (oráculo) los
casos que generan mayor incertidumbre en sus predicciones.
En este proyecto aplicamos las técnicas de Aprendizaje Máquina Interactivo a un problema
real con datos de pacientes oncológicos con cáncer de páncreas, donde los datos y el tiempo
de etiquetado de los médicos son limitados. Para aplicar la solución fue necesario utilizar
técnicas de aumento de datos generando casos sintéticos de cáncer de páncreas mediante una
Red Generativa Antagónica. Los resultados muestran como la incorporación del humano al
bucle de entrenamiento provoca que el modelo converja de manera más rápida y eficiente con
un menor coste humano que las aproximaciones clásicas. [Abstract]: Machine Learning is used by most of the scientific community as a black box: input data,
hyperparameters optimization, training the model and obtaining results. Models developed
under this scenario run the risk of not scaling well, becoming static or difficult to evaluate.
Interactive Machine Learning are a set of techniques that attempt to actively introduce
humans into the learning loop of models, works especially well when the domain is complex,
not enough data or is too costly to annotate. Interactive Machine Learning is divided depending
on the role of the human within the model learning loop. In our project, Active Learning
is the approach developed which consists of the model consulting the human (oracle) for the
cases that generate greater uncertainty in its predictions.
In this project we applied the Interactive Machine Learning techniques to a real problem
with data from oncological patients with pancreatic cancer, where data and labeling time
of physicians are limited. To apply the solution it was necessary to use data augmentation
techniques generating synthetic cases of pancreatic cancer using an Generative Adversarial
Network. The results show how the incorporation of the human into the training loop causes
the model to converge faster and more efficiently with a lower human cost than classical
approaches.
Palabras chave
Aprendizaje Máquina
Aprendizaje Activo
Enseñanza Máquina
Humano en el Bucle
Aprendizaje Curricular
Inteligencia Artificial Explicable
Red Neuronal Artificial
Red Generativa Antagónica
Machine learning
Active learning
Machine Teaching
Curriculum Learning
Human in the Loop
eXplainable Artificial Intelligence
Artificial Neural Network
Generativa Adversarial Network
Aprendizaje Activo
Enseñanza Máquina
Humano en el Bucle
Aprendizaje Curricular
Inteligencia Artificial Explicable
Red Neuronal Artificial
Red Generativa Antagónica
Machine learning
Active learning
Machine Teaching
Curriculum Learning
Human in the Loop
eXplainable Artificial Intelligence
Artificial Neural Network
Generativa Adversarial Network
Dereitos
Todos os dereitos reservados
Ítems relacionados
Mostrando ítems relacionados por Título, autor ou materia.
-
Enfoques de Aprendizaje en estudiantes de universidad : la escala bifactorial CEPE-U2F
Barca-Lozano, Alfonso; Peralbo, Manuel; Brenlla-Blanco, Juan-Carlos; Barca Enríquez, Eduardo (Universidade da Coruña, Servizo de Publicacións, 2019)[Resumen] Este trabajo tiene por finalidad la elaboración de la Escala abreviada de evaluación de enfoques de aprendizaje a partir de la Escala original de John Biggs (SPQ-Study Process Questionnaire) con una muestra de ... -
Deep Learning Language Models for Music Analysis and Generation
Quintillán Quintillán, Daniel (2022)[Abstract] In this project, we tackle the problem of predicting the next note in a monophonic musical piece. We choose a symbolic representation and extract it from digital sheet music. The problem is approached as four ... -
Comportamientos visuales sencillos en robots móviles Ranger mediante aprendizaje por refuerzo
García Cerqueiras, Aarón (2022)[Resumen] En este trabajo se desarrolla un sistema que permite generar, mediante aprendizaje por refuerzo, comportamientos basados en las imágenes capturadas por una cámara en un robot capaz de moverse por sí mismo. A ...