000124324 001__ 124324
000124324 005__ 20230302134102.0
000124324 037__ $$aTESIS-2023-020
000124324 041__ $$aeng
000124324 1001_ $$aAlcolea Moreno, Adrián
000124324 24500 $$aThree steps towards reliable and efficient systems for machine learning algorithms
000124324 260__ $$aZaragoza$$bUniversidad de Zaragoza, Prensas de la Universidad$$c2022
000124324 300__ $$a144
000124324 4900_ $$aTesis de la Universidad de Zaragoza$$v2023-20$$x2254-7606
000124324 500__ $$aPresentado: 29 11 2022
000124324 502__ $$aTesis-Univ. Zaragoza, , 2022$$bZaragoza, Universidad de Zaragoza$$c2022
000124324 506__ $$aby-nc$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc/3.0/es
000124324 520__ $$aEsta tesis recoge el trabajo realizado durante cuatro anos de investigación en algoritmos y técnicas de aprendizaje automático. El objetivo de este estudio radica en como ejecutar el proceso de inferencia de los algoritmos de aprendizaje automático de una manera mas eficiente y como conseguir técnicas mas fiables. Para ello, esta tesis consta de tres pasos principales: en primer lugar, el diseño e implementación en una FPGA de un acelerador que aprovecha las oportunidades de optimización que ofrece la dispersión de datos en las DNNs, en segundo lugar, el diseño e implementación en una FPGA de un acelerador para arboles de decisión basados en la potenciación del gradiente en el contexto de la clasificación de imágenes hiperespectrales, y en tercer lugar, un análisis de redes bayesianas para la clasificación de imágenes hiperespectrales<br />para demostrar como las métricas de incertidumbre pueden ayudarnos en muchas tareas para conseguir redes mas fiables.<br />
000124324 520__ $$aThis thesis compiles the work realised during four years of research in machine learning algorithms and techniques. The aim of this study lays in how to execute the inference process of machine learning algorithms in a more efficient way and how to achieve more reliable techniques. For that, this thesis consist in three main steps: first, the design and implementation on an FPGA of an accelerator that takes advantage of the optimisation opportunities offered by sparsity in DNNs, second, the design and implementation on an FPGA of an accelerator for gradient boosting decision trees in the context of hyperspectral images classification, and third, an analysis of bayesian networks for hyperspectral images classification to demonstrate how the uncertainty metrics can help us in many tasks to achieve more reliable networks.<br />
000124324 521__ $$97100$$aPrograma de Doctorado en Ingeniería de Sistemas e Informática
000124324 6531_ $$ainformatica
000124324 6531_ $$ainteligencia artificial
000124324 700__ $$aResano Ezcaray, Jesús Javier $$edir.
000124324 7102_ $$aUniversidad de Zaragoza$$b
000124324 830__ $$9512
000124324 8560_ $$fcdeurop@unizar.es
000124324 8564_ $$s41763517$$uhttps://zaguan.unizar.es/record/124324/files/TESIS-2023-020.pdf$$zTexto completo (eng)
000124324 909CO $$ooai:zaguan.unizar.es:124324$$pdriver
000124324 909co $$ptesis
000124324 9102_ $$a$$b
000124324 980__ $$aTESIS