Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)

Autores
Chirino, Pamela; Galdámez Bilardi, Mariela; Bianchini, Germán; Caymes Scutari, Paola
Año de publicación
2019
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión aceptada
Descripción
En los últimos años, la Inteligencia Artificial ha ido avanzando y se ha utilizado en diversas áreas. Algunas aplicaciones de esta es el reconocimiento de voz, de imágenes, el análisis de texto, entre otras. Una de las características principales de la Inteligencia Artificial es la capacidad de aprendizaje, de cambiar su comportamiento según la información que se obtiene. Mientras más se haya entrenado el modelo, más probabilidad hay de que se llegue al resultado deseado. El proceso de aprendizaje es complejo y suele llevar bastante tiempo en términos computacionales. En este trabajo, se propone aplicar el paralelismo en los algoritmos de aprendizaje de redes neuronales para hacer a estos más eficientes. Cuando hablamos de un algoritmo eficiente nos referimos a una mejora apreciable en tiempo para la cantidad de recursos que se utilizan, en nuestro caso procesadores. Las neuronas de las redes neuronales, las cuales se encuentran en varias capas, poseen conexiones que van a ir cambiando hasta que el modelo sea el más cercano al óptimo. Es decir, cuando se haya llegado a un nivel de aprendizaje máximo ya que se ha encontrado una “función” donde el error de la solución deseada y la obtenida por el modelo es mínimo. En este proyecto se comenzará buscando la forma de paralelizar uno o varios algoritmos de aprendizaje para redes neuronales de acuerdo a la necesidad. Luego, se analizará si hay mejoras en su eficiencia. El objetivo a futuro de esta investigación es poder aplicar redes neuronales en el modelo paralelo de predicción de incendios utilizado en el laboratorio LICPaDa . En este modelo se trabaja constantemente con la incertidumbre de variables, lo que dificulta una predicción óptima. Al implementar redes neuronales en el modelo, se buscará que este logre una mejor toma de decisiones sobre las variables según qué peso tienen estas en el incendio a predecir.
Fil: Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina
Materia
Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2023-06-28T12:50:14Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/8177
Acceder
id RIAUTN_f5a79961509223dc2c519e865e5a4053
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/8177
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)Chirino, PamelaGaldámez Bilardi, MarielaBianchini, GermánCaymes Scutari, PaolaParalelismo, Redes Neuronales, Inteligencia Artificial, AprendizajeEn los últimos años, la Inteligencia Artificial ha ido avanzando y se ha utilizado en diversas áreas. Algunas aplicaciones de esta es el reconocimiento de voz, de imágenes, el análisis de texto, entre otras. Una de las características principales de la Inteligencia Artificial es la capacidad de aprendizaje, de cambiar su comportamiento según la información que se obtiene. Mientras más se haya entrenado el modelo, más probabilidad hay de que se llegue al resultado deseado. El proceso de aprendizaje es complejo y suele llevar bastante tiempo en términos computacionales. En este trabajo, se propone aplicar el paralelismo en los algoritmos de aprendizaje de redes neuronales para hacer a estos más eficientes. Cuando hablamos de un algoritmo eficiente nos referimos a una mejora apreciable en tiempo para la cantidad de recursos que se utilizan, en nuestro caso procesadores. Las neuronas de las redes neuronales, las cuales se encuentran en varias capas, poseen conexiones que van a ir cambiando hasta que el modelo sea el más cercano al óptimo. Es decir, cuando se haya llegado a un nivel de aprendizaje máximo ya que se ha encontrado una “función” donde el error de la solución deseada y la obtenida por el modelo es mínimo. En este proyecto se comenzará buscando la forma de paralelizar uno o varios algoritmos de aprendizaje para redes neuronales de acuerdo a la necesidad. Luego, se analizará si hay mejoras en su eficiencia. El objetivo a futuro de esta investigación es poder aplicar redes neuronales en el modelo paralelo de predicción de incendios utilizado en el laboratorio LICPaDa . En este modelo se trabaja constantemente con la incertidumbre de variables, lo que dificulta una predicción óptima. Al implementar redes neuronales en el modelo, se buscará que este logre una mejor toma de decisiones sobre las variables según qué peso tienen estas en el incendio a predecir.Fil: Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina2023-06-28T12:50:14Z2023-06-28T12:50:14Z2019-10-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/pdfX Encuentro de Investigadores y Docentes de Ingeniería (X EnIDI 2019). Año 2019.http://hdl.handle.net/20.500.12272/8177spaPID 7658info:eu-repo/semantics/openAccess2023-06-28T12:50:14Zhttp://creativecommons.org/publicdomain/zero/1.0/CC0 1.0 UniversalUniversidad Tecnológica Nacional. Facultad Regional MendozaAtribuciónreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-10-01T11:56:57Zoai:ria.utn.edu.ar:20.500.12272/8177instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-10-01 11:56:58.403Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)
title Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)
spellingShingle Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)
Chirino, Pamela
Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje
title_short Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)
title_full Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)
title_fullStr Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)
title_full_unstemmed Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)
title_sort Paralelismo en algoritmos de aprendizaje para redes neuronales (resumen)
dc.creator.none.fl_str_mv Chirino, Pamela
Galdámez Bilardi, Mariela
Bianchini, Germán
Caymes Scutari, Paola
author Chirino, Pamela
author_facet Chirino, Pamela
Galdámez Bilardi, Mariela
Bianchini, Germán
Caymes Scutari, Paola
author_role author
author2 Galdámez Bilardi, Mariela
Bianchini, Germán
Caymes Scutari, Paola
author2_role author
author
author
dc.subject.none.fl_str_mv Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje
topic Paralelismo, Redes Neuronales, Inteligencia Artificial, Aprendizaje
dc.description.none.fl_txt_mv En los últimos años, la Inteligencia Artificial ha ido avanzando y se ha utilizado en diversas áreas. Algunas aplicaciones de esta es el reconocimiento de voz, de imágenes, el análisis de texto, entre otras. Una de las características principales de la Inteligencia Artificial es la capacidad de aprendizaje, de cambiar su comportamiento según la información que se obtiene. Mientras más se haya entrenado el modelo, más probabilidad hay de que se llegue al resultado deseado. El proceso de aprendizaje es complejo y suele llevar bastante tiempo en términos computacionales. En este trabajo, se propone aplicar el paralelismo en los algoritmos de aprendizaje de redes neuronales para hacer a estos más eficientes. Cuando hablamos de un algoritmo eficiente nos referimos a una mejora apreciable en tiempo para la cantidad de recursos que se utilizan, en nuestro caso procesadores. Las neuronas de las redes neuronales, las cuales se encuentran en varias capas, poseen conexiones que van a ir cambiando hasta que el modelo sea el más cercano al óptimo. Es decir, cuando se haya llegado a un nivel de aprendizaje máximo ya que se ha encontrado una “función” donde el error de la solución deseada y la obtenida por el modelo es mínimo. En este proyecto se comenzará buscando la forma de paralelizar uno o varios algoritmos de aprendizaje para redes neuronales de acuerdo a la necesidad. Luego, se analizará si hay mejoras en su eficiencia. El objetivo a futuro de esta investigación es poder aplicar redes neuronales en el modelo paralelo de predicción de incendios utilizado en el laboratorio LICPaDa . En este modelo se trabaja constantemente con la incertidumbre de variables, lo que dificulta una predicción óptima. Al implementar redes neuronales en el modelo, se buscará que este logre una mejor toma de decisiones sobre las variables según qué peso tienen estas en el incendio a predecir.
Fil: Universidad Tecnológica Nacional. Facultad Regional Mendoza; Argentina
description En los últimos años, la Inteligencia Artificial ha ido avanzando y se ha utilizado en diversas áreas. Algunas aplicaciones de esta es el reconocimiento de voz, de imágenes, el análisis de texto, entre otras. Una de las características principales de la Inteligencia Artificial es la capacidad de aprendizaje, de cambiar su comportamiento según la información que se obtiene. Mientras más se haya entrenado el modelo, más probabilidad hay de que se llegue al resultado deseado. El proceso de aprendizaje es complejo y suele llevar bastante tiempo en términos computacionales. En este trabajo, se propone aplicar el paralelismo en los algoritmos de aprendizaje de redes neuronales para hacer a estos más eficientes. Cuando hablamos de un algoritmo eficiente nos referimos a una mejora apreciable en tiempo para la cantidad de recursos que se utilizan, en nuestro caso procesadores. Las neuronas de las redes neuronales, las cuales se encuentran en varias capas, poseen conexiones que van a ir cambiando hasta que el modelo sea el más cercano al óptimo. Es decir, cuando se haya llegado a un nivel de aprendizaje máximo ya que se ha encontrado una “función” donde el error de la solución deseada y la obtenida por el modelo es mínimo. En este proyecto se comenzará buscando la forma de paralelizar uno o varios algoritmos de aprendizaje para redes neuronales de acuerdo a la necesidad. Luego, se analizará si hay mejoras en su eficiencia. El objetivo a futuro de esta investigación es poder aplicar redes neuronales en el modelo paralelo de predicción de incendios utilizado en el laboratorio LICPaDa . En este modelo se trabaja constantemente con la incertidumbre de variables, lo que dificulta una predicción óptima. Al implementar redes neuronales en el modelo, se buscará que este logre una mejor toma de decisiones sobre las variables según qué peso tienen estas en el incendio a predecir.
publishDate 2019
dc.date.none.fl_str_mv 2019-10-09
2023-06-28T12:50:14Z
2023-06-28T12:50:14Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str acceptedVersion
dc.identifier.none.fl_str_mv X Encuentro de Investigadores y Docentes de Ingeniería (X EnIDI 2019). Año 2019.
http://hdl.handle.net/20.500.12272/8177
identifier_str_mv X Encuentro de Investigadores y Docentes de Ingeniería (X EnIDI 2019). Año 2019.
url http://hdl.handle.net/20.500.12272/8177
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv PID 7658
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2023-06-28T12:50:14Z
http://creativecommons.org/publicdomain/zero/1.0/
CC0 1.0 Universal
Universidad Tecnológica Nacional. Facultad Regional Mendoza
Atribución
eu_rights_str_mv openAccess
rights_invalid_str_mv 2023-06-28T12:50:14Z
http://creativecommons.org/publicdomain/zero/1.0/
CC0 1.0 Universal
Universidad Tecnológica Nacional. Facultad Regional Mendoza
Atribución
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877862350679179264
score 13.364332

Publicaciones similares