Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/59936
Título
Generación de elementos mediante técnicas de Deep Learning
Director o Tutor
Año del Documento
2023
Titulación
Grado en Ingeniería Informática de Servicios y Aplicaciones
Abstract
En los últimos 10 años hemos visto grandes avances en el campo de la inteligencia
artificial. Más recientemente, aplicaciones comerciales utilizando redes generativas, como
son DALL-E 2 o Chat GPT han mostrado el potencial de las herramientas de análisis del
lenguaje natural y la generación de imágenes. Sin embargo, estas aplicaciones emergentes
no serían posibles sin el desarrollo previo de las redes generativas adversariales, las primeras
redes capaces de generar objetos nuevos extrapolando distribuciones de probabilidad
de conjuntos de datos.
Para entender mejor el estado en el que se encuentra la tecnología en la actualidad,
este trabajo presenta las redes precursoras de los métodos de atención y Transformers,
utilizados en la actualidad para la generación de contenido, tanto escrito como visual. En
este trabajo podremos observar el funcionamiento teórico de las redes generativas adversariales
y los resultados que produjeron las primeras implementaciones de las mismas, y
compararlos con la actualidad. Esto demostrará lo mucho que se ha avanzado en poco
tiempo (alrededor de 9 años), además de ser una buena introducción para todo aquel que
quiera entender el funcionamiento de la generación de elementos mediante técnicas de
aprendizaje automático profundo.
El código implementado se puede encontrar en:
https://github.com/mapacheAgridulce/TFG-Generacion-elementos-DL.git
Materias (normalizadas)
Aprendizaje automático
Inteligencia artificial - Programas y sistemas de programación
Materias Unesco
1203.17 Informática
Palabras Clave
Aprendizaje profundo
Redes neuronales
Redes generativas
Idioma
spa
Derechos
openAccess
Collections
- Trabajos Fin de Grado UVa [29396]
Files in this item
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 Internacional