Visualización en Redes Neuronales Convolucionales
- Autores
- Uría, Santiago Carlos
- Año de publicación
- 2019
- Idioma
- español castellano
- Tipo de recurso
- tesis de grado
- Estado
- versión aceptada
- Colaborador/a o director/a de tesis
- García, Oscar
- Descripción
- Fil: Uría, Santiago. Universidad Nacional de Luján; Argentina.
Las redes neuronales se encuentran entre los principales desarrollos en materia de Inteligencia Artificial, principalmente en lo referido a lograr que las máquinas aprendan. Las redes neuronales profundas (Deep neural networks – DNN) recientemente han obtenido la más alta performance en una variedad de tareas que implican el reconocimiento de patrones, destacándose en problemas de clasificación visual (Yosinski, Clune, Nguyen, Fuchs, & Lipson, 2015). Sin embargo, se las suele concebir y utilizar como “cajas negras”. Dentro del aprendizaje supervisado1, los esfuerzos se concentran en optimizar el conjunto de entrenamiento (algo necesario para que una red logre una exactitud significativa) y en las salidas propiamente dichas, relegando la investigación en torno a su funcionamiento y la forma en que estas aprenden. El presente trabajo se centra particularmente en redes neuronales convolucionales, y consiste en una presentación y análisis de su funcionamiento, mediante una línea de investigación que ha cobrado importancia en los últimos años: la visualización de lo que dichas redes “aprenden”. Se recopilan los principales avances en materia de visualización, y se exponen, conforme avanzan las investigaciones, ventajas y desventajas que se evidencian en las redes neuronales convolucionales y que son inherentes a su funcionamiento. Luego, se presenta un enfoque reciente, conocido como redes generativas antagónicas, que hace uso de redes convolucionales para la generación automática de imágenes. Por último, se muestra un nuevo tipo de red neuronal denominado red de cápsulas. Se espera que este trabajo sirva como estímulo para profundizar en el análisis y optimización del funcionamiento de redes neuronales convolucionales. - Materia
-
Inteligencia Artificial
Deep neural networks
Red de cápsulas
Aprendizaje automático
Aprendizaje profundo
Redes neuronales artificiales
Redes neuronales convolucionales
Visualización - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- https://creativecommons.org/licenses/by-nc-nd/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional de Luján
- OAI Identificador
- oai:ri.unlu.edu.ar:rediunlu/842
Ver los metadatos del registro completo
id |
REDIUNLU_f5651630fe806b0f3fca71b8ecdc2c52 |
---|---|
oai_identifier_str |
oai:ri.unlu.edu.ar:rediunlu/842 |
network_acronym_str |
REDIUNLU |
repository_id_str |
w |
network_name_str |
REDIUNLU (UNLu) |
spelling |
Visualización en Redes Neuronales ConvolucionalesUría, Santiago CarlosInteligencia ArtificialDeep neural networksRed de cápsulasAprendizaje automáticoAprendizaje profundoRedes neuronales artificialesRedes neuronales convolucionalesVisualizaciónFil: Uría, Santiago. Universidad Nacional de Luján; Argentina.Las redes neuronales se encuentran entre los principales desarrollos en materia de Inteligencia Artificial, principalmente en lo referido a lograr que las máquinas aprendan. Las redes neuronales profundas (Deep neural networks – DNN) recientemente han obtenido la más alta performance en una variedad de tareas que implican el reconocimiento de patrones, destacándose en problemas de clasificación visual (Yosinski, Clune, Nguyen, Fuchs, & Lipson, 2015). Sin embargo, se las suele concebir y utilizar como “cajas negras”. Dentro del aprendizaje supervisado1, los esfuerzos se concentran en optimizar el conjunto de entrenamiento (algo necesario para que una red logre una exactitud significativa) y en las salidas propiamente dichas, relegando la investigación en torno a su funcionamiento y la forma en que estas aprenden. El presente trabajo se centra particularmente en redes neuronales convolucionales, y consiste en una presentación y análisis de su funcionamiento, mediante una línea de investigación que ha cobrado importancia en los últimos años: la visualización de lo que dichas redes “aprenden”. Se recopilan los principales avances en materia de visualización, y se exponen, conforme avanzan las investigaciones, ventajas y desventajas que se evidencian en las redes neuronales convolucionales y que son inherentes a su funcionamiento. Luego, se presenta un enfoque reciente, conocido como redes generativas antagónicas, que hace uso de redes convolucionales para la generación automática de imágenes. Por último, se muestra un nuevo tipo de red neuronal denominado red de cápsulas. Se espera que este trabajo sirva como estímulo para profundizar en el análisis y optimización del funcionamiento de redes neuronales convolucionales.Universidad Nacional de LujánGarcía, Oscar2020-12-16T12:20:41Z2020-12-16T12:20:41Z2019Thesisinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfapplication/pdfhttp://ri.unlu.edu.ar/xmlui/handle/rediunlu/842spaesinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/2.5/ar/reponame:REDIUNLU (UNLu)instname:Universidad Nacional de Luján2025-09-04T11:14:41Zoai:ri.unlu.edu.ar:rediunlu/842instacron:UNLuInstitucionalhttps://ri.unlu.edu.arUniversidad públicaNo correspondehttps://ri.unlu.edu.ar/oaivcano@unlu.edu.ar;fgutierrez@mail.unlu.edu.ar;faquilinogutierrez@gmail.com ArgentinaNo correspondeNo correspondeNo correspondeopendoar:w2025-09-04 11:14:41.985REDIUNLU (UNLu) - Universidad Nacional de Lujánfalse |
dc.title.none.fl_str_mv |
Visualización en Redes Neuronales Convolucionales |
title |
Visualización en Redes Neuronales Convolucionales |
spellingShingle |
Visualización en Redes Neuronales Convolucionales Uría, Santiago Carlos Inteligencia Artificial Deep neural networks Red de cápsulas Aprendizaje automático Aprendizaje profundo Redes neuronales artificiales Redes neuronales convolucionales Visualización |
title_short |
Visualización en Redes Neuronales Convolucionales |
title_full |
Visualización en Redes Neuronales Convolucionales |
title_fullStr |
Visualización en Redes Neuronales Convolucionales |
title_full_unstemmed |
Visualización en Redes Neuronales Convolucionales |
title_sort |
Visualización en Redes Neuronales Convolucionales |
dc.creator.none.fl_str_mv |
Uría, Santiago Carlos |
author |
Uría, Santiago Carlos |
author_facet |
Uría, Santiago Carlos |
author_role |
author |
dc.contributor.none.fl_str_mv |
García, Oscar |
dc.subject.none.fl_str_mv |
Inteligencia Artificial Deep neural networks Red de cápsulas Aprendizaje automático Aprendizaje profundo Redes neuronales artificiales Redes neuronales convolucionales Visualización |
topic |
Inteligencia Artificial Deep neural networks Red de cápsulas Aprendizaje automático Aprendizaje profundo Redes neuronales artificiales Redes neuronales convolucionales Visualización |
dc.description.none.fl_txt_mv |
Fil: Uría, Santiago. Universidad Nacional de Luján; Argentina. Las redes neuronales se encuentran entre los principales desarrollos en materia de Inteligencia Artificial, principalmente en lo referido a lograr que las máquinas aprendan. Las redes neuronales profundas (Deep neural networks – DNN) recientemente han obtenido la más alta performance en una variedad de tareas que implican el reconocimiento de patrones, destacándose en problemas de clasificación visual (Yosinski, Clune, Nguyen, Fuchs, & Lipson, 2015). Sin embargo, se las suele concebir y utilizar como “cajas negras”. Dentro del aprendizaje supervisado1, los esfuerzos se concentran en optimizar el conjunto de entrenamiento (algo necesario para que una red logre una exactitud significativa) y en las salidas propiamente dichas, relegando la investigación en torno a su funcionamiento y la forma en que estas aprenden. El presente trabajo se centra particularmente en redes neuronales convolucionales, y consiste en una presentación y análisis de su funcionamiento, mediante una línea de investigación que ha cobrado importancia en los últimos años: la visualización de lo que dichas redes “aprenden”. Se recopilan los principales avances en materia de visualización, y se exponen, conforme avanzan las investigaciones, ventajas y desventajas que se evidencian en las redes neuronales convolucionales y que son inherentes a su funcionamiento. Luego, se presenta un enfoque reciente, conocido como redes generativas antagónicas, que hace uso de redes convolucionales para la generación automática de imágenes. Por último, se muestra un nuevo tipo de red neuronal denominado red de cápsulas. Se espera que este trabajo sirva como estímulo para profundizar en el análisis y optimización del funcionamiento de redes neuronales convolucionales. |
description |
Fil: Uría, Santiago. Universidad Nacional de Luján; Argentina. |
publishDate |
2019 |
dc.date.none.fl_str_mv |
2019 2020-12-16T12:20:41Z 2020-12-16T12:20:41Z |
dc.type.none.fl_str_mv |
Thesis info:eu-repo/semantics/bachelorThesis info:eu-repo/semantics/acceptedVersion http://purl.org/coar/resource_type/c_7a1f info:ar-repo/semantics/tesisDeGrado |
format |
bachelorThesis |
status_str |
acceptedVersion |
dc.identifier.none.fl_str_mv |
http://ri.unlu.edu.ar/xmlui/handle/rediunlu/842 |
url |
http://ri.unlu.edu.ar/xmlui/handle/rediunlu/842 |
dc.language.none.fl_str_mv |
spa es |
language |
spa |
language_invalid_str_mv |
es |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-nd/2.5/ar/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-nd/2.5/ar/ |
dc.format.none.fl_str_mv |
application/pdf application/pdf |
dc.publisher.none.fl_str_mv |
Universidad Nacional de Luján |
publisher.none.fl_str_mv |
Universidad Nacional de Luján |
dc.source.none.fl_str_mv |
reponame:REDIUNLU (UNLu) instname:Universidad Nacional de Luján |
reponame_str |
REDIUNLU (UNLu) |
collection |
REDIUNLU (UNLu) |
instname_str |
Universidad Nacional de Luján |
repository.name.fl_str_mv |
REDIUNLU (UNLu) - Universidad Nacional de Luján |
repository.mail.fl_str_mv |
vcano@unlu.edu.ar;fgutierrez@mail.unlu.edu.ar;faquilinogutierrez@gmail.com |
_version_ |
1842344378559889408 |
score |
12.623145 |