Clasificación de granos de polen con Deep Learning y SVM

Autores
Roodschild, Matías; Gotay Sardiñas, Jorge; Will, Adrián
Año de publicación
2016
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión enviada
Descripción
A lo largo de la historia, muchos algoritmos fueron utilizados para los problemas de clasificación, entre ellos los SVM, actualmente los autoencoders son el estado del arte, por su facilidad para obtener características del problema mediante el entrenamiento no supervisado en base a ejemplos, tal como lo haría un ser humano. Entre sus aplicaciones más destacadas, podemos mencionar el reconocimiento de voz, sistemas de seguridad, aplicaciones medicinales, conducción autónoma de vehículos, agricultura de precisión, entre otros. Muchos campos de investigación, poseen una gran variedad de información y presentan determinadas características propias de su naturaleza que dificultan el aprendizaje, entre ellos, podemos mencionar el solapamiento y el desbalance de las clases. En la presente publicación, mostraremos las principales ventajas de incorporar deeplearning con autoencoders a los clasificadores SVM y como mejoran el rendimiento.
Fil: Will, Adrián. Universidad Tecnológica Nacional. Facultad Regional Tucumán; Argentina.
Fil: Gotay Sardiñas, Jorge. Universidad Tecnológica Nacional. Facultad Regional Tucumán; Argentina.
Fil: Roodschild, Matías. Universidad Tecnológica Nacional. Facultad Regional Tucumán; Argentina.
Materia
Informática
Sistema de información
Inteligencia artificial
Robótica
Ingeniería del software
Reconocimiento de formas
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
Repositorio Institucional (UCaSal)
Institución
Universidad Católica de Salta
OAI Identificador
oai:bibliotecas.ucasal.edu.ar:61391

id RIUCASAL_074a806da8dfb6f23e06105d60cff69a
oai_identifier_str oai:bibliotecas.ucasal.edu.ar:61391
network_acronym_str RIUCASAL
repository_id_str 3930
network_name_str Repositorio Institucional (UCaSal)
spelling Clasificación de granos de polen con Deep Learning y SVMRoodschild, MatíasGotay Sardiñas, JorgeWill, AdriánInformáticaSistema de informaciónInteligencia artificialRobóticaIngeniería del softwareReconocimiento de formasA lo largo de la historia, muchos algoritmos fueron utilizados para los problemas de clasificación, entre ellos los SVM, actualmente los autoencoders son el estado del arte, por su facilidad para obtener características del problema mediante el entrenamiento no supervisado en base a ejemplos, tal como lo haría un ser humano. Entre sus aplicaciones más destacadas, podemos mencionar el reconocimiento de voz, sistemas de seguridad, aplicaciones medicinales, conducción autónoma de vehículos, agricultura de precisión, entre otros. Muchos campos de investigación, poseen una gran variedad de información y presentan determinadas características propias de su naturaleza que dificultan el aprendizaje, entre ellos, podemos mencionar el solapamiento y el desbalance de las clases. En la presente publicación, mostraremos las principales ventajas de incorporar deeplearning con autoencoders a los clasificadores SVM y como mejoran el rendimiento.Fil: Will, Adrián. Universidad Tecnológica Nacional. Facultad Regional Tucumán; Argentina.Fil: Gotay Sardiñas, Jorge. Universidad Tecnológica Nacional. Facultad Regional Tucumán; Argentina.Fil: Roodschild, Matías. Universidad Tecnológica Nacional. Facultad Regional Tucumán; Argentina.Universidad Católica de Salta. Facultad de Ingeniería (Salta)Congreso Nacional de Ingeniería en Informática / Sistemas de información (4° : 2016 nov. 17-18 : Salta)2016-12-30info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/submittedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttps://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=61391https://bibliotecas.ucasal.edu.ar/ark:/49597/nthj8rrqp3https://n2t.net/ark:/49597/nthj8rrqp36139120170523u u u0frey0103 baspa1001514Salta (province)info:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Atribución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)reponame:Repositorio Institucional (UCaSal)instname:Universidad Católica de Saltainstacron:UCaSal2026-10-29T11:25:58Zoai:bibliotecas.ucasal.edu.ar:61391Institucionalhttp://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=16Universidad privadaNo correspondehttp://bibliotecas.ucasal.edu.ar/ws/oai2_7?verb=Identifycdiedrich@ucasal.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:39302026-10-29 11:25:59.187Repositorio Institucional (UCaSal) - Universidad Católica de Saltafalse
dc.title.none.fl_str_mv Clasificación de granos de polen con Deep Learning y SVM
title Clasificación de granos de polen con Deep Learning y SVM
spellingShingle Clasificación de granos de polen con Deep Learning y SVM
Roodschild, Matías
Informática
Sistema de información
Inteligencia artificial
Robótica
Ingeniería del software
Reconocimiento de formas
title_short Clasificación de granos de polen con Deep Learning y SVM
title_full Clasificación de granos de polen con Deep Learning y SVM
title_fullStr Clasificación de granos de polen con Deep Learning y SVM
title_full_unstemmed Clasificación de granos de polen con Deep Learning y SVM
title_sort Clasificación de granos de polen con Deep Learning y SVM
dc.creator.none.fl_str_mv Roodschild, Matías
Gotay Sardiñas, Jorge
Will, Adrián
author Roodschild, Matías
author_facet Roodschild, Matías
Gotay Sardiñas, Jorge
Will, Adrián
author_role author
author2 Gotay Sardiñas, Jorge
Will, Adrián
author2_role author
author
dc.contributor.none.fl_str_mv Congreso Nacional de Ingeniería en Informática / Sistemas de información (4° : 2016 nov. 17-18 : Salta)
dc.subject.none.fl_str_mv Informática
Sistema de información
Inteligencia artificial
Robótica
Ingeniería del software
Reconocimiento de formas
topic Informática
Sistema de información
Inteligencia artificial
Robótica
Ingeniería del software
Reconocimiento de formas
dc.description.none.fl_txt_mv A lo largo de la historia, muchos algoritmos fueron utilizados para los problemas de clasificación, entre ellos los SVM, actualmente los autoencoders son el estado del arte, por su facilidad para obtener características del problema mediante el entrenamiento no supervisado en base a ejemplos, tal como lo haría un ser humano. Entre sus aplicaciones más destacadas, podemos mencionar el reconocimiento de voz, sistemas de seguridad, aplicaciones medicinales, conducción autónoma de vehículos, agricultura de precisión, entre otros. Muchos campos de investigación, poseen una gran variedad de información y presentan determinadas características propias de su naturaleza que dificultan el aprendizaje, entre ellos, podemos mencionar el solapamiento y el desbalance de las clases. En la presente publicación, mostraremos las principales ventajas de incorporar deeplearning con autoencoders a los clasificadores SVM y como mejoran el rendimiento.
Fil: Will, Adrián. Universidad Tecnológica Nacional. Facultad Regional Tucumán; Argentina.
Fil: Gotay Sardiñas, Jorge. Universidad Tecnológica Nacional. Facultad Regional Tucumán; Argentina.
Fil: Roodschild, Matías. Universidad Tecnológica Nacional. Facultad Regional Tucumán; Argentina.
description A lo largo de la historia, muchos algoritmos fueron utilizados para los problemas de clasificación, entre ellos los SVM, actualmente los autoencoders son el estado del arte, por su facilidad para obtener características del problema mediante el entrenamiento no supervisado en base a ejemplos, tal como lo haría un ser humano. Entre sus aplicaciones más destacadas, podemos mencionar el reconocimiento de voz, sistemas de seguridad, aplicaciones medicinales, conducción autónoma de vehículos, agricultura de precisión, entre otros. Muchos campos de investigación, poseen una gran variedad de información y presentan determinadas características propias de su naturaleza que dificultan el aprendizaje, entre ellos, podemos mencionar el solapamiento y el desbalance de las clases. En la presente publicación, mostraremos las principales ventajas de incorporar deeplearning con autoencoders a los clasificadores SVM y como mejoran el rendimiento.
publishDate 2016
dc.date.none.fl_str_mv 2016-12-30
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/submittedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str submittedVersion
dc.identifier.none.fl_str_mv https://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=61391
https://bibliotecas.ucasal.edu.ar/ark:/49597/nthj8rrqp3
https://n2t.net/ark:/49597/nthj8rrqp3
61391
20170523u u u0frey0103 ba
url https://bibliotecas.ucasal.edu.ar/opac_css/index.php?lvl=cmspage&pageid=24&id_notice=61391
https://bibliotecas.ucasal.edu.ar/ark:/49597/nthj8rrqp3
https://n2t.net/ark:/49597/nthj8rrqp3
identifier_str_mv 61391
20170523u u u0frey0103 ba
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Atribución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Atribución/Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv 1001514
Salta (province)
dc.publisher.none.fl_str_mv Universidad Católica de Salta. Facultad de Ingeniería (Salta)
publisher.none.fl_str_mv Universidad Católica de Salta. Facultad de Ingeniería (Salta)
dc.source.none.fl_str_mv reponame:Repositorio Institucional (UCaSal)
instname:Universidad Católica de Salta
instacron:UCaSal
reponame_str Repositorio Institucional (UCaSal)
collection Repositorio Institucional (UCaSal)
instname_str Universidad Católica de Salta
instacron_str UCaSal
institution UCaSal
repository.name.fl_str_mv Repositorio Institucional (UCaSal) - Universidad Católica de Salta
repository.mail.fl_str_mv cdiedrich@ucasal.edu.ar
_version_ 1880396382095802368
score 13.334379