Publicación:
Optimización de Parámetros en Extreme Learning Machine mediante Algoritmos Evolutivos

Vista sencilla de ítem
dc.contributor.authorPinto Lozano, José Manuel
dc.contributor.directorCarmona Suárez, Enrique Javier
dc.date.accessioned2024-09-18T09:40:50Z
dc.date.available2024-09-18T09:40:50Z
dc.date.issued2023-06
dc.description.abstractExtreme Learning Machine es un paradigma relativamente reciente. Específicamente, se trata de una técnica que utiliza redes neuronales en las que los pesos de entrada son generados aleatoriamente y los pesos de salida son obtenidos mediante la matriz inversa generalizada de Moore-Penrose de la matriz de salida de la capa oculta. El tiempo de entrenamiento de este algoritmo es mucho menor que el de las redes neuronales típicas y su rendimiento no se ve afectado por ello, de ahí que los últimos años hayan sido el centro de atención de numerosas investigaciones. Algunos de estos trabajos se benefician de este bajo coste computacional en el entrenamiento para aplicar algoritmos de computación evolutiva que sintonicen adecuadamente los hiperparámetros de este tipo de redes con el n mejorar su potencia predictiva o de reducir su complejidad. Este trabajo se enmarca en esta última línea de investigación, teniendo como principal objetivo el uso de un algoritmo de computación evolutiva, denominado Covariance Matrix Adaptation Evolution Strategy, para caracterizar la función de activación más adecuada para cada conjunto de datos utilizado, con el n último de mejorar (aumentando la potencia predictiva o reduciendo la complejidad) el modelo obtenido mediante Extreme Learning Machine.es
dc.description.abstractExtreme Learning Machine is a relatively recent paradigm. Speci cally, it is a technique that uses neural networks in which the input weights are randomly generated and the output weights are obtained using the generalized Moore-Penrose inverse matrix of the hidden layer output matrix. The training time of this algorithm is much shorter than that of typical neural networks and its performance is not a ected by it, hence in recent years it has been the focus of much research. Some of these works take advantage of this low computational cost in training to apply evolutionary computation algorithms that adequately tune the hyperparameters of this type of networks to improve their predictive power or to reduce their complexity. This work is part of the latter line of research, having as main objective the use of an evolutionary computation algorithm, called Covariance Matrix Adaptation Evolution Strategy, to characterize the most appropriate activation function for each data set used, with the ultimate goal of improving (increasing the predictive power or reducing the complexity) the model obtained by Extreme Learning Machineen
dc.identifier.citationPinto Lozano, José Manuel, (2023) Optimización de Parámetros en Extreme Learning Machine mediante Algoritmos Evolutivos. Trabajo Fin de Máster. Universidad de Educación a Distancia (UNED)
dc.identifier.urihttps://hdl.handle.net/20.500.14468/23779
dc.language.isoes
dc.publisherUniversidad de Educación a Distancia (UNED)
dc.relation.centerFacultades y escuelas::E.T.S. de Ingeniería Informática
dc.relation.degreeMáster universitario en Investigación en Inteligencia Artificial
dc.relation.departmentInteligencia Artificial
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject12 Matemáticas::1203 Ciencia de los ordenadores ::1203.17 Informática
dc.subject12 Matemáticas::1203 Ciencia de los ordenadores ::1203.04 Inteligencia artificial
dc.subject.keywordsExtreme Learning Machineen
dc.subject.keywordsEvolutionary Extreme Learning Machineen
dc.subject.keywordsComputación evolutivaes
dc.subject.keywordsCMA-ESes
dc.subject.keywordsfunción de activaciónes
dc.subject.keywordsMNISTes
dc.subject.keywordsEvolutionary computingen
dc.subject.keywordsactivation functionsen
dc.titleOptimización de Parámetros en Extreme Learning Machine mediante Algoritmos Evolutivoses
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Pinto_Lozano_JoseManuel_TFM.pdf
Tamaño:
1.37 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.62 KB
Formato:
Item-specific license agreed to upon submission
Descripción:
Descargar
Colecciones
Trabajos de fin de máster (TFM)