Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritos
- Autores
- Pacchiotti, Mauro José; Ballejos, Luciana; Ale, Mariel
- Año de publicación
- 2024
- Idioma
- español castellano
- Tipo de recurso
- artículo
- Estado
- versión publicada
- Descripción
- Las técnicas de Aprendizaje Automático (AA) han avanzado significativamente en la solución de diversos problemas, lo que ha llevado a una amplia difusión en su uso y desarrollo. Actualmente existen distintos modelos que han alcanzado un alto nivel de desempeño, lo que plantea la duda de qué hacer cuando nos enfrentamos a un problema para el cual ya existe un modelo muy eficiente. Desde hace tiempo esta situación ha impulsado la investigación y el desarrollo de diferentes técnicas para reutilizar estos modelos, en lugar de emprender el diseño, implementación y entrenamiento de uno nuevo, con todo el esfuerzo que ello conlleva. En este trabajo se presenta un problema de clasificación y se propone la reutilización de una red neuronal convolucional con el objetivo de reconocer números manuscritos. Asimismo, se ha evaluado el desempeño del modelo reutilizado.
Machine Learning (ML) techniques have made significant advances in solving various problems, which has led to wide dissemination in their use and development. Currently there are different models that have achieved a high level of performance, which raises the question of what to do when we face a problem for which a very efficient model already exists. This scenario has, for some time, promoted the research and development of different techniques to reuse these models, instead of undertaking the design, implementation, and training of a new one, with all the effort that this entails. In this work, a classification problem is presented, and the reuse of a convolutional neural network is proposed with the objective of recognizing handwritten numbers. Likewise, the performance of the reused model has been evaluated.
Sociedad Argentina de Informática e Investigación Operativa - Materia
-
Ciencias Informáticas
Transferencia de Aprendizaje
Reúso de modelos
Aprendizaje Automático
Reconocimiento de dígitos numéricos
Transfer Learning
model reuse
Machine Learning
handwritten digit recognition - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/167052
Ver los metadatos del registro completo
id |
SEDICI_b53553df7600a24593d989cb926b1c68 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/167052 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritosReuse of a Deep Learning model for handwritten digit recognitionPacchiotti, Mauro JoséBallejos, LucianaAle, MarielCiencias InformáticasTransferencia de AprendizajeReúso de modelosAprendizaje AutomáticoReconocimiento de dígitos numéricosTransfer Learningmodel reuseMachine Learninghandwritten digit recognitionLas técnicas de Aprendizaje Automático (AA) han avanzado significativamente en la solución de diversos problemas, lo que ha llevado a una amplia difusión en su uso y desarrollo. Actualmente existen distintos modelos que han alcanzado un alto nivel de desempeño, lo que plantea la duda de qué hacer cuando nos enfrentamos a un problema para el cual ya existe un modelo muy eficiente. Desde hace tiempo esta situación ha impulsado la investigación y el desarrollo de diferentes técnicas para reutilizar estos modelos, en lugar de emprender el diseño, implementación y entrenamiento de uno nuevo, con todo el esfuerzo que ello conlleva. En este trabajo se presenta un problema de clasificación y se propone la reutilización de una red neuronal convolucional con el objetivo de reconocer números manuscritos. Asimismo, se ha evaluado el desempeño del modelo reutilizado.Machine Learning (ML) techniques have made significant advances in solving various problems, which has led to wide dissemination in their use and development. Currently there are different models that have achieved a high level of performance, which raises the question of what to do when we face a problem for which a very efficient model already exists. This scenario has, for some time, promoted the research and development of different techniques to reuse these models, instead of undertaking the design, implementation, and training of a new one, with all the effort that this entails. In this work, a classification problem is presented, and the reuse of a convolutional neural network is proposed with the objective of recognizing handwritten numbers. Likewise, the performance of the reused model has been evaluated.Sociedad Argentina de Informática e Investigación Operativa2024-04-19info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdf43-57http://sedici.unlp.edu.ar/handle/10915/167052spainfo:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/EJS/article/view/841info:eu-repo/semantics/altIdentifier/issn/1514-6774info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T11:16:24Zoai:sedici.unlp.edu.ar:10915/167052Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 11:16:24.325SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritos Reuse of a Deep Learning model for handwritten digit recognition |
title |
Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritos |
spellingShingle |
Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritos Pacchiotti, Mauro José Ciencias Informáticas Transferencia de Aprendizaje Reúso de modelos Aprendizaje Automático Reconocimiento de dígitos numéricos Transfer Learning model reuse Machine Learning handwritten digit recognition |
title_short |
Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritos |
title_full |
Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritos |
title_fullStr |
Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritos |
title_full_unstemmed |
Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritos |
title_sort |
Reúso de un modelo de aprendizaje profundo para reconocimiento de dígitos manuscritos |
dc.creator.none.fl_str_mv |
Pacchiotti, Mauro José Ballejos, Luciana Ale, Mariel |
author |
Pacchiotti, Mauro José |
author_facet |
Pacchiotti, Mauro José Ballejos, Luciana Ale, Mariel |
author_role |
author |
author2 |
Ballejos, Luciana Ale, Mariel |
author2_role |
author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Transferencia de Aprendizaje Reúso de modelos Aprendizaje Automático Reconocimiento de dígitos numéricos Transfer Learning model reuse Machine Learning handwritten digit recognition |
topic |
Ciencias Informáticas Transferencia de Aprendizaje Reúso de modelos Aprendizaje Automático Reconocimiento de dígitos numéricos Transfer Learning model reuse Machine Learning handwritten digit recognition |
dc.description.none.fl_txt_mv |
Las técnicas de Aprendizaje Automático (AA) han avanzado significativamente en la solución de diversos problemas, lo que ha llevado a una amplia difusión en su uso y desarrollo. Actualmente existen distintos modelos que han alcanzado un alto nivel de desempeño, lo que plantea la duda de qué hacer cuando nos enfrentamos a un problema para el cual ya existe un modelo muy eficiente. Desde hace tiempo esta situación ha impulsado la investigación y el desarrollo de diferentes técnicas para reutilizar estos modelos, en lugar de emprender el diseño, implementación y entrenamiento de uno nuevo, con todo el esfuerzo que ello conlleva. En este trabajo se presenta un problema de clasificación y se propone la reutilización de una red neuronal convolucional con el objetivo de reconocer números manuscritos. Asimismo, se ha evaluado el desempeño del modelo reutilizado. Machine Learning (ML) techniques have made significant advances in solving various problems, which has led to wide dissemination in their use and development. Currently there are different models that have achieved a high level of performance, which raises the question of what to do when we face a problem for which a very efficient model already exists. This scenario has, for some time, promoted the research and development of different techniques to reuse these models, instead of undertaking the design, implementation, and training of a new one, with all the effort that this entails. In this work, a classification problem is presented, and the reuse of a convolutional neural network is proposed with the objective of recognizing handwritten numbers. Likewise, the performance of the reused model has been evaluated. Sociedad Argentina de Informática e Investigación Operativa |
description |
Las técnicas de Aprendizaje Automático (AA) han avanzado significativamente en la solución de diversos problemas, lo que ha llevado a una amplia difusión en su uso y desarrollo. Actualmente existen distintos modelos que han alcanzado un alto nivel de desempeño, lo que plantea la duda de qué hacer cuando nos enfrentamos a un problema para el cual ya existe un modelo muy eficiente. Desde hace tiempo esta situación ha impulsado la investigación y el desarrollo de diferentes técnicas para reutilizar estos modelos, en lugar de emprender el diseño, implementación y entrenamiento de uno nuevo, con todo el esfuerzo que ello conlleva. En este trabajo se presenta un problema de clasificación y se propone la reutilización de una red neuronal convolucional con el objetivo de reconocer números manuscritos. Asimismo, se ha evaluado el desempeño del modelo reutilizado. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-04-19 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/article info:eu-repo/semantics/publishedVersion Articulo http://purl.org/coar/resource_type/c_6501 info:ar-repo/semantics/articulo |
format |
article |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/167052 |
url |
http://sedici.unlp.edu.ar/handle/10915/167052 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/EJS/article/view/841 info:eu-repo/semantics/altIdentifier/issn/1514-6774 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 43-57 |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1842260668040871936 |
score |
13.13397 |