Aprendizaje no supervisado combinando autoencoders y agrupamiento

Las técnicas de agrupamiento son las más utilizadas a la hora de resolver tareas descriptivas. Su entrenamiento no supervisado requiere del uso de alguna medida de distancia para identificar similitudes entre los datos disponibles. La cantidad de características utilizadas suele tener un impacto di...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Cochella, Lucas, Lanzarini, Laura Cristina, Jimbo Santana, Patricia Rosalía
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2023
Materias:
Ciencias Informáticas
Autoencoders
Agrupamiento
Reducción de Dimensionalidad
Deep Learning
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/164875
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-164875
record_format dspace
spelling I19-R120-10915-1648752024-04-16T20:03:04Z http://sedici.unlp.edu.ar/handle/10915/164875 Aprendizaje no supervisado combinando autoencoders y agrupamiento Cochella, Lucas Lanzarini, Laura Cristina Jimbo Santana, Patricia Rosalía 2023-10 2024 2024-04-16T14:23:10Z es Ciencias Informáticas Autoencoders Agrupamiento Reducción de Dimensionalidad Deep Learning Las técnicas de agrupamiento son las más utilizadas a la hora de resolver tareas descriptivas. Su entrenamiento no supervisado requiere del uso de alguna medida de distancia para identificar similitudes entre los datos disponibles. La cantidad de características utilizadas suele tener un impacto directo en la calidad del agrupamiento por lo que contar con una representación adecuada de los datos es de sumo interés. Un área de investigación reciente en el aprendizaje no supervisado es la combinación del aprendizaje de representación con redes neuronales profundas y la agrupación de datos. Este artículo presenta una línea de investigación relacionada con el estudio, diseño e implementación de un modelo que combine autoencoders con distintas técnicas de agrupamiento para analizar datos estructurados con alta dimensionalidad. Si bien los autoencoders han demostrado ser efectivos para aprender representaciones adecuadas a la hora de procesar imágenes, aún quedan aspectos por resolver cuando se trata de trabajar con datos estructurados. El ámbito de aplicación son los datos académicos de los estudiantes de la Universidad Central del Ecuador entre 2018 y 2022. Estos datos pueden contener información valiosa sobre el desempeño y la evolución de los estudiantes, así como posibles casos de error, fraude o corrupción que afecten a la calidad educativa. El agrupamiento basado en la representación aprendida puede ayudar a identificar estos casos, así como a descubrir patrones y tendencias que permitan mejorar el sistema educativo. Red de Universidades con Carreras en Informática Instituto de Investigación en Informática Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf 77-80
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
Autoencoders
Agrupamiento
Reducción de Dimensionalidad
Deep Learning
spellingShingle Ciencias Informáticas
Autoencoders
Agrupamiento
Reducción de Dimensionalidad
Deep Learning
Cochella, Lucas
Lanzarini, Laura Cristina
Jimbo Santana, Patricia Rosalía
Aprendizaje no supervisado combinando autoencoders y agrupamiento
topic_facet Ciencias Informáticas
Autoencoders
Agrupamiento
Reducción de Dimensionalidad
Deep Learning
description Las técnicas de agrupamiento son las más utilizadas a la hora de resolver tareas descriptivas. Su entrenamiento no supervisado requiere del uso de alguna medida de distancia para identificar similitudes entre los datos disponibles. La cantidad de características utilizadas suele tener un impacto directo en la calidad del agrupamiento por lo que contar con una representación adecuada de los datos es de sumo interés. Un área de investigación reciente en el aprendizaje no supervisado es la combinación del aprendizaje de representación con redes neuronales profundas y la agrupación de datos. Este artículo presenta una línea de investigación relacionada con el estudio, diseño e implementación de un modelo que combine autoencoders con distintas técnicas de agrupamiento para analizar datos estructurados con alta dimensionalidad. Si bien los autoencoders han demostrado ser efectivos para aprender representaciones adecuadas a la hora de procesar imágenes, aún quedan aspectos por resolver cuando se trata de trabajar con datos estructurados. El ámbito de aplicación son los datos académicos de los estudiantes de la Universidad Central del Ecuador entre 2018 y 2022. Estos datos pueden contener información valiosa sobre el desempeño y la evolución de los estudiantes, así como posibles casos de error, fraude o corrupción que afecten a la calidad educativa. El agrupamiento basado en la representación aprendida puede ayudar a identificar estos casos, así como a descubrir patrones y tendencias que permitan mejorar el sistema educativo.
format Objeto de conferencia
Objeto de conferencia
author Cochella, Lucas
Lanzarini, Laura Cristina
Jimbo Santana, Patricia Rosalía
author_facet Cochella, Lucas
Lanzarini, Laura Cristina
Jimbo Santana, Patricia Rosalía
author_sort Cochella, Lucas
title Aprendizaje no supervisado combinando autoencoders y agrupamiento
title_short Aprendizaje no supervisado combinando autoencoders y agrupamiento
title_full Aprendizaje no supervisado combinando autoencoders y agrupamiento
title_fullStr Aprendizaje no supervisado combinando autoencoders y agrupamiento
title_full_unstemmed Aprendizaje no supervisado combinando autoencoders y agrupamiento
title_sort aprendizaje no supervisado combinando autoencoders y agrupamiento
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/164875
work_keys_str_mv AT cochellalucas aprendizajenosupervisadocombinandoautoencodersyagrupamiento
AT lanzarinilauracristina aprendizajenosupervisadocombinandoautoencodersyagrupamiento
AT jimbosantanapatriciarosalia aprendizajenosupervisadocombinandoautoencodersyagrupamiento
_version_ 1807222937818759168

Ejemplares similares