RT Generic
T1 Mejora de la incertidumbre al usar datos fuera de la  distribución (OOD) en un modelo semi-supervisado de  aprendizaje profundo
T2 Improvement of Uncertainty when using Out-Of-Distribution (OOD) data in a Semi-Supervised Deep  Learning model
A1 Fuentes Fino, Ricardo Javier
K1 Incertidumbre - Modelos matemáticos
K1 Estimación (Estadística)
K1 Grado en Ingeniería de Computadores - Trabajos Fin de Grado
K1 Informática - Trabajos Fin de Grado
AB El presente proyecto de investigación tiene como finalidad hacer una comparación entre la distancia de Mahalanobis y la densidad de características (FeatureDensity) como métodos estimadores de incertidumbre, aplicado a tareas de clasificación binaria, utilizando imágenes de Rayos X (mamografías); por medio dearquitecturas de redes convolucionales y técnicas de aprendizaje supervisado ysemi-supervisado.El fin de los estimadores de incertidumbre es evaluar qué tan confiables sonlas predicciones de los modelos de Machine Learning en tareas de clasificación,partiendo del entrenamiento supervisado provisto y su respectivo proceso de va lidación.Según los resultados experimentales obtenidos en las diferentes etapas de lainvestigación no se encontró una diferencia estadísticamente significativa entrelos métodos de estimación de incertidumbre comparados, pero esto no significaque el método de Feature Density se deba descartar como método estimador deincertidumbre; como todo en el ámbito de Machine Learning, es necesario realizarmás experimentos con diferentes arquitecturas y configuraciones de las mismas,para obtener una variedad de resultados y decir con certeza cuál método estimadores mejor.
YR 2022
FD 2022-02
LK https://hdl.handle.net/10630/23802
UL https://hdl.handle.net/10630/23802
LA spa
DS RIUMA. Repositorio Institucional de la Universidad de Málaga
RD 20 ene 2026