JavaScript is disabled for your browser. Some features of this site may not work without it.

    Listar

    Todo RIUMAComunidades & ColeccionesPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentrosDepartamentos/InstitutosEditoresEsta colecciónPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentrosDepartamentos/InstitutosEditores

    Mi cuenta

    AccederRegistro

    Estadísticas

    Ver Estadísticas de uso

    DE INTERÉS

    Datos de investigaciónReglamento de ciencia abierta de la UMAPolítica de RIUMAPolitica de datos de investigación en RIUMAOpen Policy Finder (antes Sherpa-Romeo)Dulcinea
    Preguntas frecuentesManual de usoContacto/Sugerencias
    Ver ítem 
    •   RIUMA Principal
    • Docencia
    • Trabajos Fin de Grado
    • Ver ítem
    •   RIUMA Principal
    • Docencia
    • Trabajos Fin de Grado
    • Ver ítem

    Aprendizaje profundo aplicado a la bioinformática

    • Autor
      López-García, Guillermo
    • Director/es
      Jerez-Aragonés, José ManuelAutoridad Universidad de Málaga; Veredas-Navarro, Francisco JavierAutoridad Universidad de Málaga
    • Fecha
      2018-12-17
    • Palabras clave
      Bioinformática; Ingeniería biomédica; Informática - Trabajos Fin de Grado; Grado en Ingeniería de la Salud - Trabajos Fin de Grado
    • Resumen
      Actualmente, el aprendizaje profundo (deep learning ) constituye una de las tecnologías del campo de la Inteligencia Artificial (IA) que goza de mayor éxito y popularidad. En campos como el procesamiento de imágenes y el análisis de datos secuenciales, su uso se encuentra bastante extendido, formando parte del núcleo de sistemas de vanguardia como los vehículos de conducción automática o los sistemas de reconocimiento facial. Sin embargo, y a pesar de sus grandes capacidades representacionales y predictivas, su aplicación a problemas, como el análisis de datos de expresión para su empleo en tareas de clasificación de cáncer, en los que el nu´mero de variables (N) supera con creces el nu´mero de muestras (M) o patrones del conjunto de datos (N » M), constituye un verdadero reto todavía sin resolver. Con el objetivo de resolver este problema entre el número de variables y de muestras, diferentes ténicas de aprendizaje automático de reducción de la dimensionalidad de los datos han sido aplicadas. Aunque esta técnicas consiguen reducir el número de variables, el rendimiento en predicción de los modelos de aprendizaje automático tradicionales es moderado, ya que el número reducido de muestras empleado para el entrenamiento de los métodos de reducción de la dimensionalidad no les permite extraer las características adecuadas para mejorar el rendimiento en predicción de forma significativa. Para resolver estos problemas y mejorar la habilidad predictiva de los métodos clásicos de aprendizaje automático, proponemos un enfoque basado en el aprenaprendizaje profundo para reducir la dimensionalidad de los datos de expresión, que emplea aprendizaje supervisado y no supervisado para hacer uso de todas las muestras de tumores presentes en una base de datos para resolver una tarea de clasificación den cáncer concreta....
    • URI
      https://hdl.handle.net/10630/17060
    • Compartir
      RefworksMendeley
    Mostrar el registro completo del ítem
    Ficheros
    GuillermolopezgarciaMemoria.pdf (1.362Mb)
    Colecciones
    • Trabajos Fin de Grado

    Estadísticas

    Buscar en Dimension
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
     

     

    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA