Implementación de un framework para la construcción de redes neuronales con aprendizaje profundo Caso de aplicación: clasificación de señales cerebrales.
El aprendizaje profundo (deep learning) es una rama de la inteligencia artificial que, debido al éxito de su utilización en problemas de gran complejidad, se ha vuelto popular tanto a nivel empresarial, como en el campo de la investigación. El problema que presenta implementar esta técnica es el ele...
Guardado en:
| Autor Principal: | |
|---|---|
| Otros Autores: | |
| Formato: | Tesis Libro |
| Lenguaje: | Español |
| Materias: |
| LEADER | 02370ntm a2200313 a 4500 | ||
|---|---|---|---|
| 001 | 210622.19.f | ||
| 003 | arsfunl | ||
| 008 | 200806s2017 ARG 000 0 spa d | ||
| 040 | # | # | |a HHR |
| 080 | # | # | |a 62 |
| 082 | 0 | # | |a 004 |
| 100 | 1 | # | |a Ferrado, Leandro Javier |
| 245 | 1 | 0 | |a Implementación de un framework para la construcción de redes neuronales con aprendizaje profundo |b Caso de aplicación: clasificación de señales cerebrales. |c Leandro Javier Ferrado ; Hugo Leonardo Rufiner, Codirector Iván Gareis |
| 260 | # | # | |e Santa Fe |g 2017 |
| 300 | # | # | |a 109 p. |b il. |c 30 cm. |
| 501 | # | # | |a Con Plan de Trabajo |
| 502 | # | # | |a Proyecto Final (Ingeniería Informática)--Facultad de Ingeniería y Ciencias Hídricas, Universidad Nacional del Litoral, 2017 |
| 520 | 3 | # | |a El aprendizaje profundo (deep learning) es una rama de la inteligencia artificial que, debido al éxito de su utilización en problemas de gran complejidad, se ha vuelto popular tanto a nivel empresarial, como en el campo de la investigación. El problema que presenta implementar esta técnica es el elevado costo computacional comprendido en la construcción de la arquitectura profunda, que ocurre especialmente cuando se trata con cantidades masivas de datos. En este trabajo, se plantea como objetivo general el desarrollo de un framework que ofrezca la posibilidad de entrenar redes neuronales mediante los algoritmos y funcionalidades más populares del aprendizaje profundo, y reducir el esfuerzo de diseño y modelado utilizando herramientas de cómputo en paralelo. Esto último implica poder distribuir el trabajo computacional tanto a nivel local sobre los núcleos de un procesador, como también sobre los nodos que componen un clúster. Como objetivo específico se evalúa la potencialidad del software desarrollado mediante su aplicación en tareas de alta complejidad, particularmente en problemas de clasificación sobre datos de electroencefalografía. |
| 650 | 0 | 7 | |a Informática |2 spines |
| 650 | 0 | 7 | |a Inteligencia artificial |2 spines |
| 653 | 0 | # | |a Proyecto final de Ingeniería Informática |
| 653 | 0 | # | |a Red neuronal |
| 653 | 0 | # | |a Aprendizaje profundo |
| 653 | 0 | # | |a Autocodificador |
| 653 | 0 | # | |a Cómputo distribuido |
| 653 | 0 | # | |a Electroencefalografía |
| 700 | 1 | # | |a Rufiner, Hugo Leonardo |e dir. |
| 700 | 1 | # | |a Gareis, Iván |e codir. |
| 090 | |a Proy. Final I.I. |b Caja 11 |d N° 1 |i 5502177 |u 19 | ||