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...
Guardado en:
Autores principales: | , , , |
---|---|
Formato: | Artículo acceptedVersion |
Lenguaje: | Español |
Publicado: |
2023
|
Materias: | |
Acceso en línea: | http://hdl.handle.net/20.500.12272/8079 |
Aporte de: |
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 |