<?xml version="1.0" encoding="UTF-8"?>
<references>
<reference>
  <rt>Dissertation/Thesis</rt>
  <jo>Tesis de la Universidad de Zaragoza</jo>
  <a1>Alcolea Moreno, Adrián</a1>
  <a2>Resano Ezcaray, Jesús Javier </a2>
  <t1>Three steps towards reliable and efficient systems for machine learning algorithms</t1>
  <t2/>
  <sn>2254-7606</sn>
  <op/>
  <vo>2023-20</vo>
  <ab>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&lt;br /&gt;para demostrar como las métricas de incertidumbre pueden ayudarnos en muchas tareas para conseguir redes mas fiables.&lt;br /&gt;</ab>
  <la>eng</la>
  <k1>informatica;
                inteligencia artificial;
                </k1>
  <pb>Universidad de Zaragoza, Prensas de la Universidad</pb>
  <pp>Zaragoza</pp>
  <py>2022</py>
  <yr>2022</yr>
  <ed/>
  <ul>http://zaguan.unizar.es/record/124324/files/TESIS-2023-020.pdf;
	</ul>
  <no>Imported from Invenio.</no>
</reference>

</references>