Análisis de similitud en documentos de texto mediante técnicas de ciencia de datos basadas en aprendizaje profundo (deep learning)
La presente propuesta pretende ingresar a un área de conocimiento actual y de creciente aplicabilidad en la extracción de conocimiento subyacente en datos de diferentes tipologías, cantidades y calidad, como es el aprendizaje profundo (Deep Learning –DL-). Aquí se propone una línea de investigación...
Guardado en:
Autores principales: | , , |
---|---|
Formato: | Objeto de conferencia |
Lenguaje: | Español |
Publicado: |
2018
|
Materias: | |
Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/67284 |
Aporte de: |
id |
I19-R120-10915-67284 |
---|---|
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 aprendizaje profundo ciencia de datos |
spellingShingle |
Ciencias Informáticas aprendizaje profundo ciencia de datos Calibar, Andrea Belén Holleger, Jorge Klenzi, Raúl Oscar Análisis de similitud en documentos de texto mediante técnicas de ciencia de datos basadas en aprendizaje profundo (deep learning) |
topic_facet |
Ciencias Informáticas aprendizaje profundo ciencia de datos |
description |
La presente propuesta pretende ingresar a un área de conocimiento actual y de creciente aplicabilidad en la extracción de conocimiento subyacente en datos de diferentes tipologías, cantidades y calidad, como es el aprendizaje profundo (Deep Learning –DL-). Aquí se propone una línea de investigación que habrá de contrastar los grados de similitud entre documentos de texto alcanzados, por medio de tres métodos y herramientas de software diferentes. Se considerará inicialmente el pluggin de aprendizaje profundo Deeplearning4J del entorno de software libre de aprendizaje de máquina (Machine Learning -ML-) KNIME ANALYTICS 3.5.2. Una segunda alternativa a utilizar será la biblioteca GENSIM de Python, para finalmente trabajar con una versión adaptada de red recurrente creada a partir de TENSORFLOW. Se comparará el rendimiento de estas herramientas sobre datos de reservorios existentes en internet con el fin de integrarlas y explotarlas simultáneamente en entornos de hardware con CPU multinúcleos y GPU computing. |
format |
Objeto de conferencia Objeto de conferencia |
author |
Calibar, Andrea Belén Holleger, Jorge Klenzi, Raúl Oscar |
author_facet |
Calibar, Andrea Belén Holleger, Jorge Klenzi, Raúl Oscar |
author_sort |
Calibar, Andrea Belén |
title |
Análisis de similitud en documentos de texto mediante técnicas de ciencia de datos
basadas en aprendizaje profundo (deep learning) |
title_short |
Análisis de similitud en documentos de texto mediante técnicas de ciencia de datos
basadas en aprendizaje profundo (deep learning) |
title_full |
Análisis de similitud en documentos de texto mediante técnicas de ciencia de datos
basadas en aprendizaje profundo (deep learning) |
title_fullStr |
Análisis de similitud en documentos de texto mediante técnicas de ciencia de datos
basadas en aprendizaje profundo (deep learning) |
title_full_unstemmed |
Análisis de similitud en documentos de texto mediante técnicas de ciencia de datos
basadas en aprendizaje profundo (deep learning) |
title_sort |
análisis de similitud en documentos de texto mediante técnicas de ciencia de datos
basadas en aprendizaje profundo (deep learning) |
publishDate |
2018 |
url |
http://sedici.unlp.edu.ar/handle/10915/67284 |
work_keys_str_mv |
AT calibarandreabelen analisisdesimilitudendocumentosdetextomediantetecnicasdecienciadedatosbasadasenaprendizajeprofundodeeplearning AT hollegerjorge analisisdesimilitudendocumentosdetextomediantetecnicasdecienciadedatosbasadasenaprendizajeprofundodeeplearning AT klenzirauloscar analisisdesimilitudendocumentosdetextomediantetecnicasdecienciadedatosbasadasenaprendizajeprofundodeeplearning |
bdutipo_str |
Repositorios |
_version_ |
1764820481144258561 |