Aktivní učení pro predikci spojitých proměnných

Abstract

Při značném kvantu dat ve světě je potřeba obracet se na metody, které by se zaměřovaly na jejich kvalitu. Tato bakalářská práce se věnuje metodě query by committee, která dokáže zvážit a vybrat data která nejvíce zvýší efektivitu. Tato práce je založená na reálném projektu, který se zaměruje na prediktivní model pro prediktivní kontrolu vytápění v kancelářské budově. Bakalářská práce zkoumá, zda generování optimálních setpointů teploty pro regresní prediktivní model zlepšuje efektivitu předpovědi a labelování. Po zhotovení experimentů se ukázalo, že tato metoda nepředčila originální strategii použitou v původním projektu. Možné příčiny takového výsledku jsou později diskutovány.

The size of data in today's modern world has urged people to resort to strategies that focus on the quality of data. This thesis revolves around a method called query by committee that is able to consider and choose what data it needs to be the most effective. This thesis is based on a real world problem that is related to the predictive model for predictive control of heating in an office building. Here, the focus is to examine whether generating an optimal temperature setpoints for the regression based predictive model for the control of a heating plant improves the forecasting efficiency and reduces the labeling process. The conducted experiments demonstrate that this method does not manage to outperform the original strategy used in the original problem and a discussion is held on possible reasons why.