• español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Ricerca

    Tutto UVaDOCArchiviData di pubblicazioneAutoriSoggettiTitoli

    My Account

    Login

    Estadísticas

    Ver Estadísticas de uso

    Compartir

    Mostra Item 
    •   UVaDOC Home
    • PROGETTI DI LAUREA FINALE
    • Trabajos Fin de Grado UVa
    • Mostra Item
    •   UVaDOC Home
    • PROGETTI DI LAUREA FINALE
    • Trabajos Fin de Grado UVa
    • Mostra Item
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis

    Citas

    Por favor, use este identificador para citar o enlazar este ítem:https://uvadoc.uva.es/handle/10324/68715

    Título
    Soluciones Deep Learning para el aprendizaje con datos desbalanceados
    Autor
    Olmos Vela, Lucía
    Director o Tutor
    Bregón Bregón, AníbalAutoridad UVA
    Mielgo Martín, PaulaAutoridad UVA
    Editor
    Universidad de Valladolid. Escuela de Ingeniería Informática de SegoviaAutoridad UVA
    Año del Documento
    2024
    Titulación
    Grado en Ingeniería Informática de Servicios y Aplicaciones
    Abstract
    Conseguir un buen rendimiento de los algoritmos de clasificación cuando se trabaja con datos desbalanceados es una labor difícil. En los últimos años ha sido creciente la investigación en este campo, debido a la relevancia que adquiere conseguir clasificar correctamente elementos anómalos o poco comunes, en especial en entornos médicos, financieros o industriales. Este trabajo explora distintas técnicas y enfoques, centrándose posteriormente en aquellas particularizadas a conjuntos de datos compuestos por imágenes. Se estudian diferentes algoritmos de balanceo dentro del ámbito del Deep Learning que buscan hacer frente a esta problemática del desbalanceo de clases mejorando así el rendimiento en las tareas de clasificación. Las técnicas empleadas son DeepSMOTE y BAGAN-GP. DeepSMOTE combina SMOTE, método de resampling, con el DeepLearning generando imágenes de calidad. Por otra parte, BAGAN-GP deriva del método BAGAN, ambos son modelos de balanceo basados en redes generativas adversarias. Tras un proceso de análisis, este trabajo muestra que el empleo tanto de BAGAN-GP como de DeepSMOTE mejora la tarea de clasificación, siendo esta última la técnica que arroja los mejores resultados.
    Materias Unesco
    5701.04 Lingüística Informatizada
    3304 Tecnología de Los Ordenadores
    ordenad
    Palabras Clave
    Aprendizaje profundo
    Desbalanceo
    Datos sintéticos
    Departamento
    Informática (LSI)
    Idioma
    spa
    URI
    https://uvadoc.uva.es/handle/10324/68715
    Derechos
    openAccess
    Aparece en las colecciones
    • Trabajos Fin de Grado UVa [30857]
    Mostra tutti i dati dell'item
    Files in questo item
    Nombre:
    TFG-B. 2217.pdf
    Tamaño:
    19.44Mb
    Formato:
    Adobe PDF
    Thumbnail
    Mostra/Apri
    Attribution-NonCommercial-NoDerivatives 4.0 InternacionalLa licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10