Pasar al contenido principal
Inicio Departamento de Ciencias de la Computación Logo LCC
Depto. de Ciencias de la Computación
Departamento de Ciencias de la Computación
Facultad de Ciencias Exactas, Ingeniería y Agrimensura
Universidad Nacional de Rosario
Logo FCEIA Logo UNR

Menú principal

  • Inicio
  • Departamento
  • LCC
  • Materias
  • Ingresantes
  • Docentes

Formulario de búsqueda

Login Menu

  • Login

Idiomas

  • Es
  • En

Usted está aquí

Inicio » LCC » Tesinas de Grado » Tesinas
  • Materias
  • Perfil y Plan
  • Jornadas de Cs. de la Computación
  • Tesinas de Grado
    • Propuestas
    • Tesinas
  • El Proyecto PROMINF‐LCC‐FCEIA
  • Lista de correo

Entrenamiento eficiente de redes neuronales en espacios de alta dimensionalidad

Autor: 
Juan Iriarte
Fecha Defensa: 
17/04/2009
Resumen: 
La tarea de entrenar una red neuronal, es decir de encontrar eficientemente un apropiado mínimo de su función de error, es un problema abierto sobre el que se sigue avanzando. Recientemente, en la tesina del Lic. Rafael Namías, se introdujo el método RST (Random Sub-space Training) para la creación de ensambles de redes neuronales eficientes en problemas "anchos". Con este método se propuso el entrenamiento de cada red utilizando diversos sub-espacios de variables seleccionados aleatoriamente, lo que produjo una mejora en la diversidad, y por lo tanto en la eficiencia, del ensamble. Durante el desarrollo del método RST se encontraron evidencias de que la estrategia de entrenar redes neuronales en sub-espacios aleatorios podría producir mejores resultados que los métodos tradicionales en problemas anchos, no ya en diversidad sino en precisión de cada una de las redes. En este trabajo se analizó en profundidad esta idea. Se implementó en forma óptima el método de entrenamiento de redes neuronales multicapas por descenso por el gradiente en sub-espacios aleatorios. Esta estrategia de entrenamiento se evaluó en distintos problemas de clasificación y regresión, incluyendo datasets anchos correspondientes a problemas reales de interés actual, como por ejemplo la expresión de genes en microchips o el análisis con espectrometría PTR-MS de productos agro-industriales (frutillas, frambuesas, quesos). La nueva estrategia se comparó con métodos tradicionales de primer y segundo orden, y con otros algoritmos actuales de Machine Learning.
Institución: 
FCEIA (Facultad de Ciencias Exactas, Ingeniería y Agrimensura)
Director: Dr. Pablo M. Granitto

Contacto

Administración: webmasterlcc@fceia.unr.edu.ar
Preguntas: ingrlcc@fceia.unr.edu.ar

Logo FCEIA Logo UNR
  • Inicio
  • Departamento
  • LCC
    • Materias
    • Perfil y Plan
    • Jornadas de Cs. de la Computación
    • Tesinas de Grado
      • Propuestas
      • Tesinas
    • El Proyecto PROMINF‐LCC‐FCEIA
    • Lista de correo
  • Materias
  • Ingresantes
  • Docentes
Diseñado por
Sitemap