RT info:eu-repo/semantics/bachelorThesis
T1 Modelos generativos profundos: autocodificadores variacionales
A1 Baños Izquierdo, Álvaro
A2 Universidad de Valladolid. Facultad de Ciencias
K1 Modelos generativos
K1 ACP
K1 Autocodificadores variacionales
AB En la actualidad, los modelos generativos basados en el aprendizaje profundo mediantetécnicas de machine y deep learning han cobrado gran importancia debidoa los resultados y avances que se están consiguiendo con su uso. Estos modelosse basan en tratamientos de grandes cantidades de datos mediante arquitecturasy técnicas de entrenamiento inteligente, teniendo una gran capacidad para generarnuevas distribuciones de datos muy realistas, como imágenes, textos o sonidos.Dentro de estos modelos, uno de los más conocidos son los Autocodificadores Variacionales,conocidos como VAEs, el cual es un autocodificador cuya distribuciónde codificaciones se regulariza durante el entrenamiento para garantizar que su espaciolatente tenga buenas propiedades que nos permitan generar datos nuevos.Este trabajo se centra en el estudio de los fundamentos de estos modelos, partiendode la técnica de reducción de dimensionalidad más sencilla, como es el Análisis deComponentes Principales, (ACP), hasta llegar a un análisis del estudio empírico deun modelo VAE, analizando y comparando los resultados obtenidos.
YR 2022
FD 2022
LK https://uvadoc.uva.es/handle/10324/57976
UL https://uvadoc.uva.es/handle/10324/57976
LA spa
NO Departamento de Estadística e Investigación Operativa
DS UVaDOC
RD 11-jul-2024