Mostrar el registro sencillo del ítem
Comparación y análisis de métodos de clasificación con las bibliotecas scikit-learn y TensorFlow en Python
dc.contributor.advisor | Garrido-Márquez, Daniel | |
dc.contributor.author | Zamorano Ruiz, Juan | |
dc.contributor.other | Lenguajes y Ciencias de la Computación | en_US |
dc.date.accessioned | 2019-12-12T12:45:37Z | |
dc.date.available | 2019-12-12T12:45:37Z | |
dc.date.created | 2019-09 | |
dc.date.issued | 2019-12-12 | |
dc.identifier.uri | https://hdl.handle.net/10630/19037 | |
dc.description.abstract | Hoy en día no podemos negar que vivimos rodeados de la generación de una gran cantidad de datos, más ahora que estamos en plena era digital y la mayoría de esta información se puede almacenar y procesar. Numerosas empresas buscan enfocar el uso de dicha información para sacar un beneficio a favor de los objetivos de su negocio y se ayudan de las herramientas adecuadas para llevar a cabo esta tarea. La rama de la Inteligencia Artificial denominada “Machine Learning” o, también conocido como aprendizaje automático, es aquella que permite a las máquinas aprender a través de los datos detectando patrones y ayudando a la toma de decisiones. Con esta rama de la inteligencia artificial lo que se pretende es dar uso al conocimiento de los datos históricos para poder llevar a cabo decisiones concretas en el futuro. Dentro del aprendizaje automático existen distintos tipos de problemas, dependiendo de su naturaleza y del objetivo buscado, así en este caso nos centraremos en aprendizaje supervisado para clasificación. Existen distintos algoritmos y técnicas matemáticas para poder llevar a cabo un problema de clasificación, donde una de las más usadas y conocidas es el de las redes neuronales. En este proyecto vamos a hacer uso de dos bibliotecas para aprendizaje automático, profundizando en redes neuronales , ambas diseñadas para su uso en Python: una de ellas es la biblioteca Scikit-learn para Machine Learning, y otra parte la biblioteca de código abierto TensorFlow. Se realizará una comparación y análisis del comportamiento de cada algoritmo y librería con distintas métricas en la predicción de 7 tipos de cubiertas forestales con el uso de variables cartográficas a través de distintos valores tomados en 4 áreas distintas del parque nacional de Roosevelt, en el norte del estado de Colorado. | en_US |
dc.language.iso | spa | en_US |
dc.rights | info:eu-repo/semantics/openAccess | en_US |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Clasificación, Métodos de (Matemáticas) | en_US |
dc.subject | Aprendizaje automático (Inteligencia artificial) | en_US |
dc.subject | Datos masivos | en_US |
dc.subject | Python (Lenguaje de programación) | en_US |
dc.subject | Informática - Trabajos Fin de Grado | en_US |
dc.subject | Grado en Ingeniería de Computadores - Trabajos Fin de Grado | en_US |
dc.subject.other | Scikit-learn | en_US |
dc.subject.other | TensorFlow | en_US |
dc.subject.other | Aprendizaje automático | en_US |
dc.subject.other | Big Data | en_US |
dc.subject.other | Python | en_US |
dc.subject.other | Inteligencia artificial | en_US |
dc.subject.other | Keras | en_US |
dc.subject.other | Análisis | en_US |
dc.title | Comparación y análisis de métodos de clasificación con las bibliotecas scikit-learn y TensorFlow en Python | en_US |
dc.type | info:eu-repo/semantics/bachelorThesis | en_US |
dc.centro | E.T.S.I. Informática | en_US |
dc.rights.cc | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |