Paralelismo en Algoritmos de Aprendizaje para Redes Neuronales: resumen

En los últimos años, la Inteligencia Artificial ha ido avanzando y se ha utilizado en diversas áreas. Algunas aplicaciones de esta es el reconocimiento de voz, de imágenes, el análisis de texto, entre otras. Una de las características principales de la Inteligencia Artificial es la capacidad de a...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Chirino, Pamela, Galdámez Bilardi, Mariela, Bianchini, Germán, Caymes Scutari, Paola
Formato: Documento de conferencia acceptedVersion
Lenguaje:Español
Publicado: 2023
Materias:
Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje
Acceso en línea:http://hdl.handle.net/20.500.12272/8177
Aporte de:
RIA - Repositorio Institucional Abierto (UTN) de Universidad Tecnológica Nacional
id I68-R174-20.500.12272-8177
record_format dspace
spelling I68-R174-20.500.12272-81772023-06-28T12:50:14Z Paralelismo en Algoritmos de Aprendizaje para Redes Neuronales: resumen Chirino, Pamela Galdámez Bilardi, Mariela Bianchini, Germán Caymes Scutari, Paola Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje En los últimos años, la Inteligencia Artificial ha ido avanzando y se ha utilizado en diversas áreas. Algunas aplicaciones de esta es el reconocimiento de voz, de imágenes, el análisis de texto, entre otras. Una de las características principales de la Inteligencia Artificial es la capacidad de aprendizaje, de cambiar su comportamiento según la información que se obtiene. Mientras más se haya entrenado el modelo, más probabilidad hay de que se llegue al resultado deseado. El proceso de aprendizaje es complejo y suele llevar bastante tiempo en términos computacionales. En este trabajo, se propone aplicar el paralelismo en los algoritmos de aprendizaje de redes neuronales para hacer a estos más eficientes. Cuando hablamos de un algoritmo eficiente nos referimos a una mejora apreciable en tiempo para la cantidad de recursos que se utilizan, en nuestro caso procesadores. Las neuronas de las redes neuronales, las cuales se encuentran en varias capas, poseen conexiones que van a ir cambiando hasta que el modelo sea el más cercano al óptimo. Es decir, cuando se haya llegado a un nivel de aprendizaje máximo ya que se ha encontrado una “función” donde el error de la solución deseada y la obtenida por el modelo es mínimo. En este proyecto se comenzará buscando la forma de paralelizar uno o varios algoritmos de aprendizaje para redes neuronales de acuerdo a la necesidad. Luego, se analizará si hay mejoras en su eficiencia. El objetivo a futuro de esta investigación es poder aplicar redes neuronales en el modelo paralelo de predicción de incendios utilizado en el laboratorio LICPaDa . 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. Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina 2023-06-28T12:50:14Z 2023-06-28T12:50:14Z 2019-10-09 info:eu-repo/semantics/conferenceObject acceptedVersion X Encuentro de Investigadores y Docentes de Ingeniería (X EnIDI 2019). Año 2019. http://hdl.handle.net/20.500.12272/8177 spa PID 7658 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 Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje
spellingShingle Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje
Chirino, Pamela
Galdámez Bilardi, Mariela
Bianchini, Germán
Caymes Scutari, Paola
Paralelismo en Algoritmos de Aprendizaje para Redes Neuronales: resumen
topic_facet Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje
description En los últimos años, la Inteligencia Artificial ha ido avanzando y se ha utilizado en diversas áreas. Algunas aplicaciones de esta es el reconocimiento de voz, de imágenes, el análisis de texto, entre otras. Una de las características principales de la Inteligencia Artificial es la capacidad de aprendizaje, de cambiar su comportamiento según la información que se obtiene. Mientras más se haya entrenado el modelo, más probabilidad hay de que se llegue al resultado deseado. El proceso de aprendizaje es complejo y suele llevar bastante tiempo en términos computacionales. En este trabajo, se propone aplicar el paralelismo en los algoritmos de aprendizaje de redes neuronales para hacer a estos más eficientes. Cuando hablamos de un algoritmo eficiente nos referimos a una mejora apreciable en tiempo para la cantidad de recursos que se utilizan, en nuestro caso procesadores. Las neuronas de las redes neuronales, las cuales se encuentran en varias capas, poseen conexiones que van a ir cambiando hasta que el modelo sea el más cercano al óptimo. Es decir, cuando se haya llegado a un nivel de aprendizaje máximo ya que se ha encontrado una “función” donde el error de la solución deseada y la obtenida por el modelo es mínimo. En este proyecto se comenzará buscando la forma de paralelizar uno o varios algoritmos de aprendizaje para redes neuronales de acuerdo a la necesidad. Luego, se analizará si hay mejoras en su eficiencia. El objetivo a futuro de esta investigación es poder aplicar redes neuronales en el modelo paralelo de predicción de incendios utilizado en el laboratorio LICPaDa . 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.
format Documento de conferencia
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 Paralelismo en Algoritmos de Aprendizaje para Redes Neuronales: resumen
title_short Paralelismo en Algoritmos de Aprendizaje para Redes Neuronales: resumen
title_full Paralelismo en Algoritmos de Aprendizaje para Redes Neuronales: resumen
title_fullStr Paralelismo en Algoritmos de Aprendizaje para Redes Neuronales: resumen
title_full_unstemmed Paralelismo en Algoritmos de Aprendizaje para Redes Neuronales: resumen
title_sort paralelismo en algoritmos de aprendizaje para redes neuronales: resumen
publishDate 2023
url http://hdl.handle.net/20.500.12272/8177
work_keys_str_mv AT chirinopamela paralelismoenalgoritmosdeaprendizajepararedesneuronalesresumen
AT galdamezbilardimariela paralelismoenalgoritmosdeaprendizajepararedesneuronalesresumen
AT bianchinigerman paralelismoenalgoritmosdeaprendizajepararedesneuronalesresumen
AT caymesscutaripaola paralelismoenalgoritmosdeaprendizajepararedesneuronalesresumen
_version_ 1769989322427072512

Ejemplares similares