Mostrar el registro sencillo del ítem

Trabajo Fin de Grado

dc.contributor.advisorPino Mejías, Rafaeles
dc.creatorPérez Guerrero, Jesúses
dc.date.accessioned2021-07-06T10:57:01Z
dc.date.available2021-07-06T10:57:01Z
dc.date.issued2020-06-01
dc.identifier.citationPérez Guerrero, J. (2020). Redes recurrentes. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.
dc.identifier.urihttps://hdl.handle.net/11441/115230
dc.description.abstractEn los últimos años, el ser humano se ha ido fascinando con la idea de un “futuro” robotizado, donde las máquinas fuesen capaces de pensar como un cerebro humano. Pues bien, ese futuro se ha convertido en presente, y ya, a día de hoy, hay numerosos estudios que se dedican a intentar imitar el comportamiento del cerebro con patrones matemáticos. Se ha replicado el comportamiento de nuestro sistema de neuronas en distintos modelos matemáticos, conocidos todos, en su conjunto, como Red de Neuronas Artificiales. Dentro de los muchos tipos de esquemas que se han desarrollado en este ámbito, con esterabajo se pondrá de manifiesto la evolución y el funcionamiento del modelo de Redes Neuronales Recurrentes (Neural Network Recurrent, RNN). que es muy utilizado en tareas como el “reconocimiento de voz”, siendo esto muy utilizado en multitud de dispositivos de uso común en la actualidad. Este trabajo consta de 4 capítulos. En el primero de ellos nos adentramos en los términos de Inteligencia Artificial (Artificial Intelligence, IA), Aprendizaje Automático (Machine Leargnin, ML) y Aprendizaje Profundo (Deep Learning, DL). Posteriormente se comenta el comportamiento del modelo de Red de Neuronas Artificial (RNA), imitando en su mayor medida, a la actividad neurológica de nuestro cerebro. En el siguiente capítulo se habla del tema principal de nuestro trabajo, el modelo de RNN, explicando así, su evolución y funcionamiento. Finalmente ejemplificaremos cómo usar un modelo de RNN en un caso de la vida cotidiana y se hará una breve mención de cómo pueden ayudarnos los modelos de redes neuronales a combatir contra el virus COVID-19.es
dc.description.abstractIn recent years, human beings have been excited about a robotized future. We are excited about the idea that machines think like us. Well, that future has already become present. Today, scientists are developing mathematical models which mimic the behavior of the human brain. Thus, scientists have developed models of artificial neural networks. We are going to focus on Neural Network Recurrent (RNN). This is a specific artificial neural network model. This is a specific artificial neural network model used for “voice recognition”. This work consists of 4 chapters. In the first one we will introduce to Deep Learning (DL) and its comparison with Artificial Intelligence (AI) and Machine Learning (ML). The second chapter will talk about Artificial Neural Networks, making a special mention about how it tries to emulate the behavior of the brain. The next chapter is the main theme of our work. We will explain the functioning and evolution of the recurrent neural network. Finally, we will explain examples of how to use an RNN model in real life. We will mention some studies of how neural networks can help us with the COVID-19 virus.es
dc.formatapplication/pdfes
dc.format.extent62 p.es
dc.language.isospaes
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.titleRedes recurrenteses
dc.typeinfo:eu-repo/semantics/bachelorThesises
dc.type.versioninfo:eu-repo/semantics/publishedVersiones
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses
dc.contributor.affiliationUniversidad de Sevilla. Departamento de Estadística e Investigación Operativaes
dc.description.degreeUniversidad de Sevilla. Doble Grado en Matemáticas y Estadísticaes
dc.publication.endPage62es

FicherosTamañoFormatoVerDescripción
TFG DGMyE Pérez Guerrero, Jesús.pdf5.836MbIcon   [PDF] Ver/Abrir  

Este registro aparece en las siguientes colecciones

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Excepto si se señala otra cosa, la licencia del ítem se describe como: Attribution-NonCommercial-NoDerivatives 4.0 Internacional