FACI: un framework para inteligencia computacional académica

Uno de los principales desafíos en la utilización de redes neuronales es el entrenamiento de las mismas. En la mayoría de los casos, se recurre para tal fin, a técnicas de descenso por el gradiente, como el algoritmo de Retropropagación del error. Sin embargo, estas a veces pueden ser muy costosas...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Barnij, Jorgelina E.
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2014
Materias:
Ciencias Informáticas
algoritmo genético
algoritmo de retropropagación del error
redes neuronales multicapa
aprendizaje supervisado
clasificación
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/42058
http://43jaiio.sadio.org.ar/proceedings/EST/14_897-2594-1-DR.pdf
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-42058
record_format dspace
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
algoritmo genético
algoritmo de retropropagación del error
redes neuronales multicapa
aprendizaje supervisado
clasificación
spellingShingle Ciencias Informáticas
algoritmo genético
algoritmo de retropropagación del error
redes neuronales multicapa
aprendizaje supervisado
clasificación
Barnij, Jorgelina E.
FACI: un framework para inteligencia computacional académica
topic_facet Ciencias Informáticas
algoritmo genético
algoritmo de retropropagación del error
redes neuronales multicapa
aprendizaje supervisado
clasificación
description Uno de los principales desafíos en la utilización de redes neuronales es el entrenamiento de las mismas. En la mayoría de los casos, se recurre para tal fin, a técnicas de descenso por el gradiente, como el algoritmo de Retropropagación del error. Sin embargo, estas a veces pueden ser muy costosas en tiempo de cómputo, utilización de memoria, etc. En este trabajo se presenta un framework para el diseño de redes neuronales que pueden ser entrenadas a través de distintos algoritmos de entrenamiento. El framework se describe para el caso de una red neuronal del tipo Perceptrón Multicapa que permite la detección de números naturales de un dígito. Se muestra el entrenamiento mediante la utilización del algoritmo de Retropropagación del error y algoritmos Genéticos y se compara mediante el tiempo promedio de entrenamiento y la exactitud de la red entrenada. En base a los resultados, se ver a que el Algoritmo Genético es una alternativa atractiva respecto al clásico algoritmo de Retropropagación del error.
format Objeto de conferencia
Objeto de conferencia
author Barnij, Jorgelina E.
author_facet Barnij, Jorgelina E.
author_sort Barnij, Jorgelina E.
title FACI: un framework para inteligencia computacional académica
title_short FACI: un framework para inteligencia computacional académica
title_full FACI: un framework para inteligencia computacional académica
title_fullStr FACI: un framework para inteligencia computacional académica
title_full_unstemmed FACI: un framework para inteligencia computacional académica
title_sort faci: un framework para inteligencia computacional académica
publishDate 2014
url http://sedici.unlp.edu.ar/handle/10915/42058
http://43jaiio.sadio.org.ar/proceedings/EST/14_897-2594-1-DR.pdf
work_keys_str_mv AT barnijjorgelinae faciunframeworkparainteligenciacomputacionalacademica
bdutipo_str Repositorios
_version_ 1764820473223315458

Ejemplares similares