Mostrar el registro sencillo del ítem
Trabajo Fin de Grado
Funciones de verosimilitud en el entorno del aprendizaje automático
dc.contributor.advisor | Alamo, Teodoro | es |
dc.creator | Mirasierra Calleja, Victor | es |
dc.date.accessioned | 2017-08-14T11:12:51Z | |
dc.date.available | 2017-08-14T11:12:51Z | |
dc.date.issued | 2017 | |
dc.identifier.uri | http://hdl.handle.net/11441/63782 | |
dc.description.abstract | Este documento recoge el estudio y desarrollo de funciones de disimilitud en el entorno del aprendizaje automático, así como su comparación con otras metodologías destacadas del sector, como los mínimos cuadrados o las máquinas de vectores soporte (SVM), desarrollando librerías especializadas para ello, que contemplan los principales problemas en el campo del aprendizaje automático o machine learning. Durante el estudio se tratará la importancia del campo del aprendizaje automático en la actualidad y los diferentes problemas que existen ligados a él, entre los cuales destacan los problemas de regresión y clasificación, pero no son los únicos, ya que a medida que avanza la tecnología se necesitan soluciones a otro tipo de problemas como el tratamiento de imágenes o el desarrollo de sistemas de recomendación. Puesto que el aprendizaje automático es una rama fuertemente ligada a los datos, se estudiarán en profundidad, incluyendo el formato, el proceso de tratamiento o la forma de introducirlos en los diferentes algoritmos. Además, se propondrán diversas formas de representar los datos, lo que permitirá medir el desempeño de los algoritmos y comprobar que éstos realmente aprenden según lo esperado. Como se verá, las funciones de verosimilitud propuestas ofrecen una familia entera de soluciones a algunos de estos problemas. En especial, cabe destacar su relevancia en el problema de predicción intervalar, ya que se adaptan mejor a las funciones probabilísticas de los datos del problema, lo que desemboca en unos mejores resultados. Por último, se comprobará que a veces metodos simples como un mantenedor de los datos ofrece mejores resultados que métodos más complejos y requeridores de una mayor potencia de cálculo. Esto es debido típicamente a la naturaleza ruidosa y díficil de predecir de algunas muestras. | es |
dc.format | application/pdf | es |
dc.language.iso | spa | es |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Aprendizaje automático | es |
dc.title | Funciones de verosimilitud en el entorno del aprendizaje automático | es |
dc.type | info:eu-repo/semantics/bachelorThesis | es |
dc.type.version | info:eu-repo/semantics/publishedVersion | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Ingeniería de Sistemas y Automática | es |
dc.description.degree | Universidad de Sevilla. Grado en Ingeniería de Tecnologías Industriales | es |
idus.format.extent | 101 p. | es |
Ficheros | Tamaño | Formato | Ver | Descripción |
---|---|---|---|---|
TFG Victor Mirasierra Calleja.pdf | 1.709Mb | ![]() | Ver/ | |