<secondary-title/> </titles> <doi/> <pages/> <volume/> <number/> <keywords> <keyword>informatica</keyword> <keyword>inteligencia artificial</keyword> </keywords> <dates> <year>2022</year> <pub-dates> <date>2022</date> </pub-dates> </dates> <abstract>Esta 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 /></abstract> </record> </records> </xml>

Resano Ezcaray, Jesús Javier <secondary-title/> </titles> <doi/> <pages/> <volume/> <number/> <keywords> <keyword>informatica</keyword> <keyword>inteligencia artificial</keyword> </keywords> <dates> <year>2022</year> <pub-dates> <date>2022</date> </pub-dates> </dates> <abstract>Esta 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 /></abstract> </record> </records> </xml>