Optimización para Redes Neuronales

Las Redes neuronales artificiales tratan de reproducir el proceso de solución de problemas del cerebro, una red neuronal toma como ejemplos problemas resueltos para poder construir un sistema de toma de decisiones y realizar calificaciones. Estas características de poder aprender de ejemplos o...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Chirino, Pamela, Galdámez Bilardi, Mariela, Bianchini, Germán, Caymes Scutari, Paola
Formato: Artículo acceptedVersion
Lenguaje:Español
Publicado: 2023
Materias:
Redes Neuronales, Aprendizaje, Capas, Perceptrón
Acceso en línea:http://hdl.handle.net/20.500.12272/8079
Aporte de:
RIA - Repositorio Institucional Abierto (UTN) de Universidad Tecnológica Nacional
id I68-R174-20.500.12272-8079
record_format dspace
spelling I68-R174-20.500.12272-80792023-06-22T11:40:27Z Optimización para Redes Neuronales Chirino, Pamela Galdámez Bilardi, Mariela Bianchini, Germán Caymes Scutari, Paola Redes Neuronales, Aprendizaje, Capas, Perceptrón Las Redes neuronales artificiales tratan de reproducir el proceso de solución de problemas del cerebro, una red neuronal toma como ejemplos problemas resueltos para poder construir un sistema de toma de decisiones y realizar calificaciones. Estas características de poder aprender de ejemplos o problemas resueltos las hacen una solución óptima cuando se trabaja con modelos de predicción. El objetivo a futuro de esta investigación es poder aplicar redes neuronales en el modelo paralelo de predicción de incendios utilizado en el laboratorio LICPaD. En este modelo se trabaja constantemente con la incertidumbre de variables, lo que dificulta una predicción óptima. Al implementar redes neuronales en el modelo, se buscará que este logre una mejor toma de decisiones sobre las variables según qué peso tienen estas en el incendio a predecir. Para poder aplicarlo a este modelo buscando mejorar el tiempo y calidad de resultados, se busca paralelizarlo de forma que tanto el aprendizaje como el funcionamiento de la red no afecten considerablemente el tiempo de obtención de los resultados. Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina Peer Reviewed 2023-06-22T11:40:27Z 2023-06-22T11:40:27Z 2019-01-01 info:eu-repo/semantics/article acceptedVersion 7mo Congreso Nacional del Ingeniería en Informática / Sistemas de Información (7mo CONAIISI). Año 2019. 2347-0372 http://hdl.handle.net/20.500.12272/8079 spa PID 4736 openAccess http://creativecommons.org/publicdomain/zero/1.0/ CC0 1.0 Universal Universidad Tecnológica Nacional. Facultad Regional Mendoza Atribución pdf
institution Universidad Tecnológica Nacional
institution_str I-68
repository_str R-174
collection RIA - Repositorio Institucional Abierto (UTN)
language Español
topic Redes Neuronales, Aprendizaje, Capas, Perceptrón
spellingShingle Redes Neuronales, Aprendizaje, Capas, Perceptrón
Chirino, Pamela
Galdámez Bilardi, Mariela
Bianchini, Germán
Caymes Scutari, Paola
Optimización para Redes Neuronales
topic_facet Redes Neuronales, Aprendizaje, Capas, Perceptrón
description Las Redes neuronales artificiales tratan de reproducir el proceso de solución de problemas del cerebro, una red neuronal toma como ejemplos problemas resueltos para poder construir un sistema de toma de decisiones y realizar calificaciones. Estas características de poder aprender de ejemplos o problemas resueltos las hacen una solución óptima cuando se trabaja con modelos de predicción. El objetivo a futuro de esta investigación es poder aplicar redes neuronales en el modelo paralelo de predicción de incendios utilizado en el laboratorio LICPaD. En este modelo se trabaja constantemente con la incertidumbre de variables, lo que dificulta una predicción óptima. Al implementar redes neuronales en el modelo, se buscará que este logre una mejor toma de decisiones sobre las variables según qué peso tienen estas en el incendio a predecir. Para poder aplicarlo a este modelo buscando mejorar el tiempo y calidad de resultados, se busca paralelizarlo de forma que tanto el aprendizaje como el funcionamiento de la red no afecten considerablemente el tiempo de obtención de los resultados.
format Artículo
acceptedVersion
author Chirino, Pamela
Galdámez Bilardi, Mariela
Bianchini, Germán
Caymes Scutari, Paola
author_facet Chirino, Pamela
Galdámez Bilardi, Mariela
Bianchini, Germán
Caymes Scutari, Paola
author_sort Chirino, Pamela
title Optimización para Redes Neuronales
title_short Optimización para Redes Neuronales
title_full Optimización para Redes Neuronales
title_fullStr Optimización para Redes Neuronales
title_full_unstemmed Optimización para Redes Neuronales
title_sort optimización para redes neuronales
publishDate 2023
url http://hdl.handle.net/20.500.12272/8079
work_keys_str_mv AT chirinopamela optimizacionpararedesneuronales
AT galdamezbilardimariela optimizacionpararedesneuronales
AT bianchinigerman optimizacionpararedesneuronales
AT caymesscutaripaola optimizacionpararedesneuronales
_version_ 1769989303562141696

Ejemplares similares