Why neural networks and deep learning are the future in machine learning
Ulinic, Daniel
Casas Roma, Jordi, dir. (Universitat Autònoma de Barcelona. Departament d'Enginyeria de la Informació i de les Comunicacions)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant: Per què les xarxes neuronals i l'aprenentatge profund són el futur de l'aprenentatge automàtic
Títol variant: Por qué las redes neuronales y el aprendizaje profundo son el futuro del aprendizaje automático
Data: 2018-02-13
Resum: Based on human brain, the biggest unknown to science to this day, deep neural networks have recently been on the radar of most researchers. Their interest is based on facts. Biologically-inspired algorithms replicating the functioning of the human neural system whom are capable of learning while under the correct supervision and with the right adjustments. Nowadays learning is an attribute directly associated to mankind. Being capable of doing so denotes intelligence. Therefore the sudden interest on passing on this features to machines. The state of the art concludes with many examples such as machines able of maintaining a proper conversation, beating video games, painting pictures to self driving cars. Like a brain, neural network's design relies on layers of artificial neurons connected and sending signals when triggered. Acoordingly, deep learning is a set of powerful techniques for triggering the right neurons and learning in neural networks. The purpose of this paper is designing an intelligent algorithm capable of distinguishing handwritten digits using datasets from an open source database from where it can train and learn.
Resum: Basat en el cervell humà, el desconegut més gran de la ciència fins a l'actualitat, les xarxes neuronals profundes han estat recentment en el radar de la majoria dels investigadors. El seu interès es basa en fets. Algorismes d'inspiració biològica que repliquen el funcionament del sistema neuronal humà capaços d'aprendre mentre estan sota la supervisió correcta i amb les configuracions adequades. Avui en dia, l'aprenentatge és un atribut associat directament a l'ésser humà. Ser capaç de fer-ho denota intel·ligència. Per tant, l'interès sobtat de passar aquestes característiques a les màquines. L'estat de l'art conclou amb molts exemples com ara màquines capaces de mantenir una conversa adequada, guanyar videojocs, pintar imatges fins a cotxes autosuficients. Com un cervell, el disseny de la xarxa neuronal es basa en capes de neurones artificials connectades enviant senyals quan s'activen. En conseqüència, l'aprenentatge profund és un conjunt de tècniques potents per desencadenar les neurones correctes i l'aprenentatge en xarxes neuronals. El propòsit d'aquest article és dissenyar un algoritme intel·ligent capaç de distingir dígits manuscrits mitjançant el conjunt de dades reunit de una base de dades de codi obert des d'on pot entrenar i aprendre.
Resum: Basado en el cerebro humano, el desconocido más grande de la ciencia hasta la actualidad, las redes neuronales profundas han estado recientemente en el radar de la mayoría de los investigadores. Su interés se basa en hechos. Algoritmos de inspiración biológica que replican el funcionamiento del sistema neuronal humano capaces de aprender mientras están bajo la supervisión correcta y con las configuraciones adecuadas. Hoy en día, el aprendizaje es un atributo asociado directamente al ser humano. Ser capaz de hacerlo denota inteligencia. Por lo tanto, el interés repentino de pasar estas características a las máquinas. El estado del arte concluye con muchos ejemplos desde máquinas capaces de mantener una conversación adecuada, ganar videojuegos, pintar imágenes hasta coches autosuficientes. Como un cerebro, el diseño de la red neuronal se basa en capas de neuronas artificiales conectadas enviando señales cuando se activan. En consecuencia, el aprendizaje profundo es un conjunto de técnicas potentes para desencadenar las neuronas correctas y el aprendizaje en redes neuronales. El propósito de este artículo es diseñar un algoritmo inteligente capaz de distinguir dígitos manuscritos mediante el conjunto de dados reunido de una base de datos de código abierto desde donde entrenar y aprender.
Drets: Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades. Creative Commons
Llengua: Anglès.
Titulació: Enginyeria Informàtica [2502441]
Pla d'estudis: Enginyeria Informàtica [958]
Document: bachelorThesis ; Text
Àrea temàtica: Menció Tecnologies de la Informació
Matèria: Neural Network ; Machine Learning ; Artificial Intelligence ; Deep Learning ; CNNs ; TensorFlow ; TensorBoard ; Python ; Aprenentatge Automàtic ; Intel·ligència Artificial ; Xarxes Neuronals ; Redes Neuronales ; Aprendizaje Automático ; Inteligencia Artificial



9 p, 3.2 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG

 Registre creat el 2018-04-09, darrera modificació el 2019-09-17



   Favorit i Compartir