Please use this identifier to cite or link to this item: https://hdl.handle.net/10953/2776
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorJesús Díaz, María José del-
dc.contributor.advisorCharte Ojeda, Francisco-
dc.contributor.authorPulgar Rubio, Francisco Javier-
dc.contributor.otherUniversidad de Jaén. Departamento de Informáticaes_ES
dc.date.accessioned2024-05-13T08:34:33Z-
dc.date.available2024-05-13T08:34:33Z-
dc.date.issued2019-11-13-
dc.identifier.citationp.[http://hdl.handle.net/10953/]es_ES
dc.identifier.isbn978849159es_ES
dc.identifier.urihttps://hdl.handle.net/10953/2776-
dc.description.abstractLa presente tesis doctoral aborda el estudio de un campo novedoso y prometedor, el uso de nuevas técnicas basadas en aprendizaje profundo y ensembles que afronten los problemas de alta dimensionalidad y desbalanceo de datos. Esta elección se debe al importante auge que han experimentado en los últimos años, ofreciendo resultados realmente relevantes en muchos campos de aplicación. Así mismo, la razón de afrontar los dos problemas anteriormente mencionados es que las características inherentes a los datos cambian constantemente y la tendencia es que tanto la dimensionalidad como el desbalanceo continúen aumentado. El trabajo realizado se centra fundamentalmente en afrontar la tarea de reducción de dimensionalidad mediante el uso de Autoencoder (AE). En este sentido, se realizan tanto análisis experimentales de modelos existentes como nuevas propuestas de métodos de clasificación basados en AE. No obstante, esta tesis analiza también el problema del desbalanceo desde la perspectiva del aprendizaje profundo.es_ES
dc.description.abstractThis thesis deals with the study of a new and promising field, the use of new techniques based on deep learning and ensembles that address the problems of high dimensionality and imbalance of data. This choice is due to the significant raise they have experienced in recent years, offering relevant results in many fields of application. Furthermore, the reason for facing the two problems mentioned above is that the characteristics inherent in the data are constantly changing and the tendency is that both dimensionality and imbalance continue to increase. The work focuses on addressing the task of dimensionality reduction through the use of Autoencoder (AE). In this sense, both experimental analysis of existing models and new proposals for classification methods based on AE are carried out. However, this thesis also faces the problem of imbalance from the perspective of deep learning.es_ES
dc.description.sponsorshipTesis Univ. Jaén. Departamento de Informáticaes_ES
dc.language.isospaes_ES
dc.publisherJaén : Universidad de Jaénes_ES
dc.rightsLicencia Reconocimiento-NoComercial-SinObraDerivada 3.0 Españaes_ES
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 España*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/*
dc.subjectAprendizaje Profundoes_ES
dc.subjectAutoencoderes_ES
dc.subjectReducción de Dimensionalidades_ES
dc.subjectDatos Desbalanceadoses_ES
dc.subjectRedes Neuronales Convolucionaleses_ES
dc.titleREDES DE ARQUITECTURA PROFUNDA y ENSEMBLES PARA EL TRATAMIENTO DE LA ALTA DIMENSIONALIDAD Y EL DESBALANCEO EN APRENDIZAJE SUPERVISADOes_ES
dc.typeinfo:eu-repo/semantics/doctoralThesises_ES
europeana.type.TEXTTEXTes_ES
dc.subject.udc1203 Ciencia de los ordenadoreses_ES
dc.subject.udc1204 Inteligencia Artificiales_ES
dc.subject.udc1217 Informáticaes_ES
europeana.dataProviderUniversidad de Jaén. Españaes_ES
europeana.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/es/es_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
Appears in Collections:Tesis

Files in This Item:
File Description SizeFormat 
TesisDoctoral_FranciscoJavierPulgarRubio.pdf8,23 MBAdobe PDFView/Open


This item is protected by original copyright