Clasificación de granos de polen con Deep Learning y SVM
A lo largo de la historia, muchos algoritmos fueron utilizados para los problemas de clasificación, entre ellos los SVM, actualmente los autoencoders son el estado del arte, por su facilidad para obtener características del problema mediante el entrenamiento no supervisado en base a ejemplos, tal co...
Guardado en:
| Autores principales: | , , |
|---|---|
| Otros Autores: | |
| Formato: | submittedVersion Documento de conferencia |
| Lenguaje: | Español |
| Publicado: |
Universidad Católica de Salta. Facultad de Ingeniería (Salta)
2016
|
| Materias: | |
| Acceso en línea: | https://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=61391 |
| Aporte de: |
| Sumario: | A lo largo de la historia, muchos algoritmos fueron utilizados para los problemas de clasificación, entre ellos los SVM, actualmente los autoencoders son el estado del arte, por su facilidad para obtener características del problema mediante el entrenamiento no supervisado en base a ejemplos, tal como lo haría un ser humano. Entre sus aplicaciones más destacadas, podemos mencionar el reconocimiento de voz, sistemas de seguridad, aplicaciones medicinales, conducción autónoma de vehículos, agricultura de precisión, entre otros. Muchos campos de investigación, poseen una gran variedad de información y presentan determinadas características propias de su naturaleza que dificultan el aprendizaje, entre ellos, podemos mencionar el solapamiento y el desbalance de las clases. En la presente publicación, mostraremos las principales ventajas de incorporar deeplearning con autoencoders a los clasificadores SVM y como mejoran el rendimiento. |
|---|