Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremo

[SPA] Cuando los seres humanos nos enfrentamos a un nuevo concepto que queremos aprender, nuestro cerebro no lo hace de forma aislada, sino que utiliza todo el conocimiento previamente aprendido para ayudarse en este nuevo aprendizaje. Además, nuestro cerebro es capaz de aislar lo que no va a benefi...

Full description

Bibliographic Details
Author: Bueno Crespo, Andrés
Format: doctoral thesis
Publication Date:2013
Country:España
Institution:Universidad Politécnica de Cartagena(UPCT)
Repository:Repositorio Digital UPCT
OAI Identifier:oai:repositorio.upct.es:10317/4027
Online Access:http://hdl.handle.net/10317/4027
Access Level:Open access
Keyword:Aprendizaje máquina
Aprendizaje multitarea
Inteligencia artificial
Multitask learning
Teoría de la Señal y Comunicaciones
Inteligencia Artificial
id ES_b02853986d1e33db1aa5eef989470d0f
oai_identifier_str oai:repositorio.upct.es:10317/4027
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremo
title Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremo
spellingShingle Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremo
Bueno Crespo, Andrés
Aprendizaje máquina
Aprendizaje multitarea
Inteligencia artificial
Multitask learning
Teoría de la Señal y Comunicaciones
Inteligencia Artificial
title_short Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremo
title_full Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremo
title_fullStr Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremo
title_full_unstemmed Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremo
title_sort Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremo
dc.creator.none.fl_str_mv Bueno Crespo, Andrés
author Bueno Crespo, Andrés
author_facet Bueno Crespo, Andrés
author_role author
dc.contributor.none.fl_str_mv Sancho Gómez, José Luis
Tecnologías de la Información y las Comunicaciones
dc.subject.none.fl_str_mv Aprendizaje máquina
Aprendizaje multitarea
Inteligencia artificial
Multitask learning
Teoría de la Señal y Comunicaciones
Inteligencia Artificial
topic Aprendizaje máquina
Aprendizaje multitarea
Inteligencia artificial
Multitask learning
Teoría de la Señal y Comunicaciones
Inteligencia Artificial
description [SPA] Cuando los seres humanos nos enfrentamos a un nuevo concepto que queremos aprender, nuestro cerebro no lo hace de forma aislada, sino que utiliza todo el conocimiento previamente aprendido para ayudarse en este nuevo aprendizaje. Además, nuestro cerebro es capaz de aislar lo que no va a beneficiarnos y a utilizar lo que realmente nos va ser útil, esto lo hace muy bien y de forma inconsciente. Sin embargo, cuando una maquina de aprendizaje es entrenada para resolver una determinada tarea, por ejemplo, a diagnosticar una determinada enfermedad, normalmente esta máquina aprende en solitario sólo con los datos disponibles sobre esa enfermedad. Hay una metodología llamada Aprendizaje Multitarea, MTL (“Multi-Task Learning”), que se fundamenta en la idea inicialmente expuesta. De esta forma, la tarea a resolver (tarea principal) se aprende conjuntamente con otras tareas relacionadas (tareas secundarias), se produce una transferencia de información entre ellas que puede ser ventajosa para el aprendizaje de la primera. Sin embargo, en problemas reales, es difícil encontrar tareas que estén relacionadas o incluso, encontrándolas, es sumamente complejo determinar el grado en que se va a realizar esa ayuda, ya que una tarea puede contener información que puede ayudar pero también perjudicar. Esta Tesis incorpora una nueva metodología que permite obtener tareas secundarias relacionadas con la que se pretende aprender (tarea principal). La segunda contribución de este trabajo se enmarca también dentro del MTL, en este caso, diseñando de forma automática una máquina MTL que elimine todos aquellos factores que perjudiquen o no beneficien al aprendizaje de la tarea principal. Esta arquitectura es única y además se obtiene sin necesidad de metodologías de ensayo/error que aumentan la complejidad de cálculo. [ENG] When humans faced with a new concept that we want to learn, our brain does not work in isolation, but rather uses all previously learned knowledge to assist in this new learning. In addition, our brain is able to isolate what is not going to benefit and use what will be really useful, it does very well and unconsciously. However, when learning machines are trained for solving an specific problem, for example, to diagnose a particular disease, usually this machine learns only the available data on this disease. There is a methodology called Multi-Task Learning (MTL), which is based on the idea initially exposed. Thus, the task to be solved (main task) is learned together with other related tasks (secondary tasks), by producing a transfer of information among them which may be advantageous for learning of the main one. But in real problems, it is extremely difficult to determine how the simultaneous learning with other related tasks affects to the performance of the main one, because a task can contain information that can be helpful (i.e. the main task learning is improved) or harmful (i.e. the main task learning gets worse). This PhD. Thesis, proposes a newmethodology that allows to obtain related secondary tasks in order to be helpful to themain one. The second contribution of thiswork is also included in theMTL framework: the complete automatically removing those factors which harm or no benefit the learning of the main task. This architecture is also unique and it is obtainedwithout the traditional test/fail methodologies which usually increase the computational complexity.
publishDate 2013
dc.date.none.fl_str_mv 2013
2013
2014
2014
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10317/4027
url http://hdl.handle.net/10317/4027
dc.language.none.fl_str_mv Español
language_invalid_str_mv Español
dc.rights.none.fl_str_mv Atribución-NoComercial-SinDerivadas 3.0 España
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Atribución-NoComercial-SinDerivadas 3.0 España
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital UPCT
instname:Universidad Politécnica de Cartagena(UPCT)
instname_str Universidad Politécnica de Cartagena(UPCT)
reponame_str Repositorio Digital UPCT
collection Repositorio Digital UPCT
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869416783650226176
spelling Aprendizaje máquina multitarea mediante edición de datos y algoritmos de aprendizaje extremoBueno Crespo, AndrésAprendizaje máquinaAprendizaje multitareaInteligencia artificialMultitask learningTeoría de la Señal y ComunicacionesInteligencia Artificial[SPA] Cuando los seres humanos nos enfrentamos a un nuevo concepto que queremos aprender, nuestro cerebro no lo hace de forma aislada, sino que utiliza todo el conocimiento previamente aprendido para ayudarse en este nuevo aprendizaje. Además, nuestro cerebro es capaz de aislar lo que no va a beneficiarnos y a utilizar lo que realmente nos va ser útil, esto lo hace muy bien y de forma inconsciente. Sin embargo, cuando una maquina de aprendizaje es entrenada para resolver una determinada tarea, por ejemplo, a diagnosticar una determinada enfermedad, normalmente esta máquina aprende en solitario sólo con los datos disponibles sobre esa enfermedad. Hay una metodología llamada Aprendizaje Multitarea, MTL (“Multi-Task Learning”), que se fundamenta en la idea inicialmente expuesta. De esta forma, la tarea a resolver (tarea principal) se aprende conjuntamente con otras tareas relacionadas (tareas secundarias), se produce una transferencia de información entre ellas que puede ser ventajosa para el aprendizaje de la primera. Sin embargo, en problemas reales, es difícil encontrar tareas que estén relacionadas o incluso, encontrándolas, es sumamente complejo determinar el grado en que se va a realizar esa ayuda, ya que una tarea puede contener información que puede ayudar pero también perjudicar. Esta Tesis incorpora una nueva metodología que permite obtener tareas secundarias relacionadas con la que se pretende aprender (tarea principal). La segunda contribución de este trabajo se enmarca también dentro del MTL, en este caso, diseñando de forma automática una máquina MTL que elimine todos aquellos factores que perjudiquen o no beneficien al aprendizaje de la tarea principal. Esta arquitectura es única y además se obtiene sin necesidad de metodologías de ensayo/error que aumentan la complejidad de cálculo. [ENG] When humans faced with a new concept that we want to learn, our brain does not work in isolation, but rather uses all previously learned knowledge to assist in this new learning. In addition, our brain is able to isolate what is not going to benefit and use what will be really useful, it does very well and unconsciously. However, when learning machines are trained for solving an specific problem, for example, to diagnose a particular disease, usually this machine learns only the available data on this disease. There is a methodology called Multi-Task Learning (MTL), which is based on the idea initially exposed. Thus, the task to be solved (main task) is learned together with other related tasks (secondary tasks), by producing a transfer of information among them which may be advantageous for learning of the main one. But in real problems, it is extremely difficult to determine how the simultaneous learning with other related tasks affects to the performance of the main one, because a task can contain information that can be helpful (i.e. the main task learning is improved) or harmful (i.e. the main task learning gets worse). This PhD. Thesis, proposes a newmethodology that allows to obtain related secondary tasks in order to be helpful to themain one. The second contribution of thiswork is also included in theMTL framework: the complete automatically removing those factors which harm or no benefit the learning of the main task. This architecture is also unique and it is obtainedwithout the traditional test/fail methodologies which usually increase the computational complexity.Universidad Politécnica de CartagenaSancho Gómez, José LuisTecnologías de la Información y las Comunicaciones2014201420132013info:eu-repo/semantics/doctoralThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/10317/4027reponame:Repositorio Digital UPCTinstname:Universidad Politécnica de Cartagena(UPCT)EspañolAtribución-NoComercial-SinDerivadas 3.0 Españahttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:repositorio.upct.es:10317/40272026-05-15T06:39:02Z
score 15.300719

Similar Items