Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático

La capacidad de analizar bases de datos de alta dimensionalidad es de fundamental importancia en numerosas actividades productivas y áreas del conocimiento en general. Esto es particularmente cierto en la última década, ya que se observa un fuerte aumento en cantidad y la variedad de datos, facilita...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Dinamarca, Agustina, Ferrari Galizia, Ivan Emanuel, Millán, Raúl Daniel, Moyano, Luis Gregorio, Moyano, Nora Alejandra Elizabeth, Norte, Augusto, Planes, María Belén, Rim, Daniela Noemí, Rodríguez, María Cecilia
Publicado: 2019
Materias:
Acceso en línea:https://bdigital.uncu.edu.ar/fichas.php?idobjeto=14395
date_str_mv 2019-2021
todos_str_mv 80020180100177UN
Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
Proyecto de investigación
siip2019-2021
UNCuyoFCEN
UNCuyoFCEN
descriptores_str_mv Análisis de datos
Enseñanza asistida por ordenador
Enseñanza programada
Matemática apicada
Reducción de dimensionalidad
autor_str_mv Dinamarca, Agustina
Ferrari Galizia, Ivan Emanuel
Millán, Raúl Daniel
Moyano, Luis Gregorio
Moyano, Nora Alejandra Elizabeth
Norte, Augusto
Planes, María Belén
Rim, Daniela Noemí
Rodríguez, María Cecilia
disciplina_str_mv Ingeniería
Matemática
description_str_mv La capacidad de analizar bases de datos de alta dimensionalidad es de fundamental importancia en numerosas actividades productivas y áreas del conocimiento en general. Esto es particularmente cierto en la última década, ya que se observa un fuerte aumento en cantidad y la variedad de datos, facilitado por los últimos avances en hardware y software. Un área central en este crecimiento es el Aprendizaje Automático (AA), rama de las Ciencias de la Computación que estudia algoritmos que aprenden a ejecutar determinadas tareas a partir de ejemplos. Dentro del área de AA, es frecuente hacer uso de algoritmos de reducción de dimensionalidad sobre datos con gran cantidad de variables, con el foco en mejorar la capacidad de dichos algoritmos. En este plan de trabajo tenemos como objetivo general evaluar y cuantificar como diversos métodos de reducción de dimensionalidad impactan en el desempeño de tareas de AA. Para esto, haremos un estudio comparativo sobre cuatro casos de estudio empíricos que representan dos grandes tipos de datos: datos provenientes de simulaciones numéricas y datos relacionados con cohortes, por ejemplo de carácter demográfico o médico. Se compararán algoritmos de reducción de dimensionalidad, en particular no lineales, se identificarán cuales son más adecuados a cada tipo de datos y se cuantificará la mejora en el desempeño de tareas específicas de AA vinculadas a cada caso de estudio.
The ability of analyzing high-dimensional databases is of fundamental importance in various productive activities and knowledge areas in general. This is particulary true in the last decade, where an important rise in quantity and variety of data is observed, fueled by the latest advances in hardware and software. A central area related to this growth is Machine Learning (ML), a branch of Computer Science that studies algorithms able to execute a set of tasks learning from examples. It is frequent in ML to make use of dimensionality reduction algorithms on high dimensionality data sets, with the aim of improving the performance of ML tasks. In this project, we have as main objective to evaluate and quantify how various dimensionality reduction methods impact in the performance of a set of ML tasks. For this, we will make a comparative study on four empirical case studies that represent two general type of data: data coming from numerical simulations, and cohort related data, e.g. demographic or medical data. We will compare dimensionality reduction algorithms, in particular non linear methods, we will identify which are more adequate for each type of data, and we will quantify performance improvement in specific ML tasks related to each case study.
titulo_str_mv Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
Nonlinear dimensionality reduction methods in machine learning tasks
object_type_str_mv Textual: Investigación
dependencia_str_mv Facultad de Ciencias Exactas y Naturales
id 14395
plantilla_str Informe de Investigación
record_format Informe de Investigación
tipo_str textuales
type_str_mv Articulos
title_full Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
title_fullStr Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
title_full_unstemmed Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
description La capacidad de analizar bases de datos de alta dimensionalidad es de fundamental importancia en numerosas actividades productivas y áreas del conocimiento en general. Esto es particularmente cierto en la última década, ya que se observa un fuerte aumento en cantidad y la variedad de datos, facilitado por los últimos avances en hardware y software. Un área central en este crecimiento es el Aprendizaje Automático (AA), rama de las Ciencias de la Computación que estudia algoritmos que aprenden a ejecutar determinadas tareas a partir de ejemplos. Dentro del área de AA, es frecuente hacer uso de algoritmos de reducción de dimensionalidad sobre datos con gran cantidad de variables, con el foco en mejorar la capacidad de dichos algoritmos. En este plan de trabajo tenemos como objetivo general evaluar y cuantificar como diversos métodos de reducción de dimensionalidad impactan en el desempeño de tareas de AA. Para esto, haremos un estudio comparativo sobre cuatro casos de estudio empíricos que representan dos grandes tipos de datos: datos provenientes de simulaciones numéricas y datos relacionados con cohortes, por ejemplo de carácter demográfico o médico. Se compararán algoritmos de reducción de dimensionalidad, en particular no lineales, se identificarán cuales son más adecuados a cada tipo de datos y se cuantificará la mejora en el desempeño de tareas específicas de AA vinculadas a cada caso de estudio.
title Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
spellingShingle Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
Análisis de datos
Enseñanza asistida por ordenador
Enseñanza programada
Matemática apicada
Reducción de dimensionalidad
Dinamarca, Agustina
Ferrari Galizia, Ivan Emanuel
Millán, Raúl Daniel
Moyano, Luis Gregorio
Moyano, Nora Alejandra Elizabeth
Norte, Augusto
Planes, María Belén
Rim, Daniela Noemí
Rodríguez, María Cecilia
topic Análisis de datos
Enseñanza asistida por ordenador
Enseñanza programada
Matemática apicada
Reducción de dimensionalidad
topic_facet Análisis de datos
Enseñanza asistida por ordenador
Enseñanza programada
Matemática apicada
Reducción de dimensionalidad
publishDate 2019
author Dinamarca, Agustina
Ferrari Galizia, Ivan Emanuel
Millán, Raúl Daniel
Moyano, Luis Gregorio
Moyano, Nora Alejandra Elizabeth
Norte, Augusto
Planes, María Belén
Rim, Daniela Noemí
Rodríguez, María Cecilia
author_facet Dinamarca, Agustina
Ferrari Galizia, Ivan Emanuel
Millán, Raúl Daniel
Moyano, Luis Gregorio
Moyano, Nora Alejandra Elizabeth
Norte, Augusto
Planes, María Belén
Rim, Daniela Noemí
Rodríguez, María Cecilia
tags_str_mv siip2019-2021
title_sort Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
title_short Métodos de reducción de dimensionalidad no lineales en tareas de aprendizaje automático
url https://bdigital.uncu.edu.ar/fichas.php?idobjeto=14395
estado_str 3
building Biblioteca Digital
filtrotop_str Biblioteca Digital
collection Informe de Investigación
institution Sistema Integrado de Documentación
indexed_str 2023-04-25 00:35
_version_ 1764120132464934912