Adaptación de arquitecturas profundas a problemas no estacionarios

En Aprendizaje Automatizado, la mayoría de los métodos de análisis de datos utilizados asumen como premisa básica la estacionaridad de los mismos (es decir, que el fenómeno bajo análisis no cambia en el tiempo). Sin embargo, muchos sistemas reales de gran interés práctico son claramente no estaciona...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Morelli, Leonardo R.
Otros Autores: Grinblat, Guillermo L.; Granitto, Pablo M.
Formato: bachelorThesis tesis de grado publishedVersion
Lenguaje:Español
Publicado: Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario 2014
Materias:
Aprendizaje automatizado
No estacionaridad
Arquitecturas profundas
Redes neuronales
Acceso en línea:http://www.fceia.unr.edu.ar/lcc/t523/
http://hdl.handle.net/2133/3231
http://hdl.handle.net/2133/3231
Aporte de:
Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR) de Universidad Nacional de Rosario
id I15-R121-2133-3231
record_format dspace
institution Universidad Nacional de Rosario
institution_str I-15
repository_str R-121
collection Repositorio Hipermedial de la Universidad Nacional de Rosario (UNR)
language Español
orig_language_str_mv spa
topic Aprendizaje automatizado
No estacionaridad
Arquitecturas profundas
Redes neuronales
spellingShingle Aprendizaje automatizado
No estacionaridad
Arquitecturas profundas
Redes neuronales
Morelli, Leonardo R.
Adaptación de arquitecturas profundas a problemas no estacionarios
topic_facet Aprendizaje automatizado
No estacionaridad
Arquitecturas profundas
Redes neuronales
description En Aprendizaje Automatizado, la mayoría de los métodos de análisis de datos utilizados asumen como premisa básica la estacionaridad de los mismos (es decir, que el fenómeno bajo análisis no cambia en el tiempo). Sin embargo, muchos sistemas reales de gran interés práctico son claramente no estacionarios como por ejemplo cualquier propiedad relacionada a la meteorología o el problema de detección temprana de fallas en líneas de producción. Otra característica que presentan estos métodos es que se basan en lo que puede definirse como arquitecturas poco profundas (Redes Neuronales con una capa oculta, SVM, Árboles de Decisión, etc.), aunque desde hace bastante tiempo se sabe que las arquitecturas profundas, como las Stacked Restricted Boltzmann Machines (SRBM), pueden ser mucho más eficientes a la hora de representar ciertas funciones. En este trabajo se estudia el rendimiento de estas arquitecturas en el ámbito de los problemas no estacionarios y su adaptación a los mismos. Para ello se propone una forma en que se puede integrar la información aportada por los datos antiguos al entrenamiento de un modelo de mayor profundidad que al mismo tiempo sea capaz de adaptarse rápidamente a cambios observados. Para validar la nueva técnica se compara su desempeño con métodos tradicionales sobre problemas no estacionarios diseñados a partir de dos datasets ampliamente usados y conocidos, MNIST y NORB.
author2 Grinblat, Guillermo L.; Granitto, Pablo M.
author_facet Grinblat, Guillermo L.; Granitto, Pablo M.
Morelli, Leonardo R.
format bachelorThesis
tesis de grado
publishedVersion
author Morelli, Leonardo R.
author_sort Morelli, Leonardo R.
title Adaptación de arquitecturas profundas a problemas no estacionarios
title_short Adaptación de arquitecturas profundas a problemas no estacionarios
title_full Adaptación de arquitecturas profundas a problemas no estacionarios
title_fullStr Adaptación de arquitecturas profundas a problemas no estacionarios
title_full_unstemmed Adaptación de arquitecturas profundas a problemas no estacionarios
title_sort adaptación de arquitecturas profundas a problemas no estacionarios
publisher Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario
publishDate 2014
url http://www.fceia.unr.edu.ar/lcc/t523/
http://hdl.handle.net/2133/3231
http://hdl.handle.net/2133/3231
work_keys_str_mv AT morellileonardor adaptaciondearquitecturasprofundasaproblemasnoestacionarios
bdutipo_str Repositorios
_version_ 1764820413795270661

Ejemplares similares