Mostrar el registro sencillo del ítem

dc.contributor.advisorDomínguez-Merino, Enrique 
dc.contributor.advisorMolina-Cabello, Miguel Ángel 
dc.contributor.authorFuentes Fino, Ricardo Javier
dc.contributor.otherLenguajes y Ciencias de la Computaciónes_ES
dc.date.accessioned2022-03-03T19:38:03Z
dc.date.available2022-03-03T19:38:03Z
dc.date.created2022-02
dc.date.issued2022-02
dc.identifier.urihttps://hdl.handle.net/10630/23802
dc.description.abstractEl presente proyecto de investigación tiene como finalidad hacer una comparación entre la distancia de Mahalanobis y la densidad de características (Feature Density) como métodos estimadores de incertidumbre, aplicado a tareas de clasificación binaria, utilizando imágenes de Rayos X (mamografías); por medio de arquitecturas de redes convolucionales y técnicas de aprendizaje supervisado y semi-supervisado. El fin de los estimadores de incertidumbre es evaluar qué tan confiables son las 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 la investigación no se encontró una diferencia estadísticamente significativa entre los métodos de estimación de incertidumbre comparados, pero esto no significa que el método de Feature Density se deba descartar como método estimador de incertidumbre; como todo en el ámbito de Machine Learning, es necesario realizar más experimentos con diferentes arquitecturas y configuraciones de las mismas, para obtener una variedad de resultados y decir con certeza cuál método estimador es mejor.es_ES
dc.language.isospaes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectIncertidumbre - Modelos matemáticoses_ES
dc.subjectEstimación (Estadística)es_ES
dc.subjectGrado en Ingeniería de Computadores - Trabajos Fin de Gradoes_ES
dc.subjectInformática - Trabajos Fin de Gradoes_ES
dc.subject.otherAprendizaje profundoes_ES
dc.subject.otherDensidad de característicases_ES
dc.subject.otherDistancia de Mahalanobises_ES
dc.subject.otherDistancia Jensen-Shannones_ES
dc.subject.otherIncertidumbrees_ES
dc.titleMejora de la incertidumbre al usar datos fuera de la distribución (OOD) en un modelo semi-supervisado de aprendizaje profundoes_ES
dc.title.alternativeImprovement of Uncertainty when using Out-Of-Distribution (OOD) data in a Semi-Supervised Deep Learning modeles_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.centroE.T.S.I. Informáticaes_ES
dc.rights.ccAttribution-NonCommercial-NoDerivatives 4.0 Internacional*


Ficheros en el ítem

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivatives 4.0 Internacional