| TAZ-TFM-2023-112 |
Mecanismos para la detección y adaptación del Concept Drift
Muro Belloso, Alejandro
Ferreiro Del Río, Susana (dir.)
Delgado Gracia, Jorge (ponente)
Universidad de Zaragoza,
CIEN,
2023
Departamento de Matemática Aplicada, Área de Matemática Aplicada
Máster Universitario en Modelización e Investigación Matemática, Estadística y Computación
Resumen: Los algoritmos de Aprendizaje Automático/Machine Learning tradicionales procesan la información recibida asumiendo una distribución estacionaria subyacente. Por ejemplo, los modelos predictivos se entrenan con conjuntos históricos de datos en forma de (input, output) o (variables predictivas, variables objetivo), de forma que puedan ser usados para obtener predicciones sobre nuevos datos. Sin embargo, resulta habitual que estos nuevos datos lleguen en forma de flujos/streams, produciendo gran cantidad de información a analizar cuyo contenido es susceptible de evolucionar en el tiempo. Esto conlleva un cambio entre la distribución de los datos inicial (con los que entrenamos los modelos pertinentes) y la distribución de las nuevas instancias de datos que se reciben a lo largo del tiempo, fenómeno que se conoce como concept drift. Dado que puede afectar al rendimiento de los modelos, es de vital importancia la detección de concept drift y posterior adaptación para mantener la precisión requerida.
Tipo de Trabajo Académico: Trabajo Fin de Master
Notas: Colaboración con el centro tecnológico Tekniker
Enlace permanente:
El registro pertenece a las siguientes colecciones:
Trabajos académicos > Trabajos Académicos por Centro > Facultad de Ciencias
Trabajos académicos > Trabajos fin de máster