Desarrollo de un set up experimental para la implementación de redes neuronales convolucionales en plataformas FPGAS/SOCS.

Los algoritmos de Inteligencia Artificial (Artificial Intelligence - AI) y el Aprendizaje de Maquina (Machine Learning - ML), son técnicas que han ganado relevancia, principalmente durante la última década, gracias a la versatilidad y eficiencia que brindan para el manejo de grandes volúmenes de datos, así como para la supervisión y optimización de procesos en un amplio rango de aplicaciones (Nassif et al., 2019; Talib et al., 2021). El Aprendizaje Profundo (Deep Learning - DL), es una categoría de ML que se centra en estructurar el proceso de aprendizaje de las computadoras para que puedan reconocer patrones y tomar decisiones, de manera similar a como lo hacen los humanos. Una de las técnicas más exitosas en el contexto de la AI y el ML son las Redes Neuronales Artificiales (Artificial Neural Networks - ANN). Este tipo de redes están inspiradas en su contraparte biológica, y se caracterizan por permitir procesar información masiva y compleja a través de múltiples capas de abstracción (Shawahna et al., 2019). Para lograr mejores resultados en la clasificación, se suelen agregar más capas de neuronas entre la capa de entrada y la de salida (capas ocultas). A este tipo de arquitectura de múltiples capas se le conoce como Redes Neuronales Profundas (Deep Neural Networks - DNN) (Capra et al., 2020).

• Autores: Castañeda Monroy, Erika Dajanna
• Tipo de recurso: Tesis
• Fecha de publicación: 2024
• Institución: Universidad Pedagógica y Tecnológica de Colombia
• Repositorio: RiUPTC: Repositorio Institucional UPTC
• Idioma: spa
• OAI Identifier: oai:repositorio.uptc.edu.co:001/17778
• Acceso en línea: https://repositorio.uptc.edu.co/handle/001/17778
• Palabra clave: inteligencia artificial; Aprendizaje activo
• License: http://purl.org/coar/access_right/c_14cb