Use este identificador para citar o ir al link de este elemento:
http://hdl.handle.net/1843/SLSC-BBZNG8
Tipo: | Monografias de Especialização |
Título: | O uso de Machine Learning (t-SNE) como técnica para visualização de padrões no Programa Bolsa Família com base nos dados do Cadastro Único |
Autor(es): | José Evaldo Gonçalves Lopes Filho |
primer Tutor: | Adriano Alonso Veloso |
primer miembro del tribunal : | José Nagib Cotrim Árabe |
Segundo miembro del tribunal: | Jose Marcos Silva Nogueira |
Resumen: | Este projeto se encaixa num contexto econômico bem peculiar para o país, onde existe grande preocupação na eficiência dos gastos públicos, especialmente no emprego útil do dinheiro público para a assistência social aos que realmente dela necessitam. Nesse contexto, este projeto objetiva avaliar o uso de machine learning no monitoramento e avaliação de benefícios do Programa Bolsa Família, de forma a identificar anormalidades ou desvios em relação a um padrão comum. Para atingir os objetivos pretendidos, foram realizadas pesquisas em relatórios governamentais sobre esta política pública, bem como em artigos científicos sobre o algoritmo t-SNE, que permite a visualização dos dados através da redução de dimensionalidade. Com este método, foi possível visualizar benefícios sociais em gráficos 2D e 3D, o que permite aos gestores e aos órgãos de controle um mecanismo inteligente para gerar amostragens utilizadas em suas avaliações e fiscalizações, bem como focar identificação de indícios de fraudes em determinados benefícios considerados outliers. Os resultados mostraram que foi possível visualizar determinados grupos onde é possível atuar com foco específico no âmbito dos controles da política assistencial analisada. No entanto, diante do escopo limitado deste trabalho, podem ser realizados testes mais amplos, com incremento do poder computacional empregado e com uma amplitude maior de benefícios, incluindo novas dimensões como dados de entrada |
Abstract: | This work fits into a very peculiar economic context for the country, where there is great concern about the efficiency of public spending, especially on the useful use of public money for social assistance to those who really need it. In this context, this project aims to evaluate the use of machine learning in the monitoring and evaluation of benefits of the Bolsa Família Program, in order to identify abnormalities or deviations from a common standard. In order to achieve the intended objectives, research was done in government reports on this public policy, as well as in scientific articles on the t-SNE algorithm, which allows the visualization of the data through the reduction of dimensionality. With this method, it was possible to visualize social benefits in 2D and 3D graphs, which allows managers and control bodies an intelligent mechanism to generate samples used in their evaluations and inspections, as well as to focus on identifying evidence of fraud in certain benefits considered outliers. The results showed that it was possible to visualize certain groups where it is possible to act with a specific focus within the scope of the controls of the care policy analyzed. However, given the limited scope of this work, larger tests can be performed, with an increase in computational power employed and with a greater range of benefits, including new dimensions as input data. |
Asunto: | Informática Bolsa Família Visualização Cadastro Único Machine Learning Redução de dimensionalidade |
Idioma: | Português |
Editor: | Universidade Federal de Minas Gerais |
Sigla da Institución: | UFMG |
Tipo de acceso: | Acesso Aberto |
URI: | http://hdl.handle.net/1843/SLSC-BBZNG8 |
Fecha del documento: | 14-mar-2019 |
Aparece en las colecciones: | Especialização em Informática |
archivos asociados a este elemento:
archivo | Descripción | Tamaño | Formato | |
---|---|---|---|---|
joseevaldogon_alveslopesfilho.pdf | 912.45 kB | Adobe PDF | Visualizar/Abrir |
Los elementos en el repositorio están protegidos por copyright, con todos los derechos reservados, salvo cuando es indicado lo contrario.