000149416 001__ 149416
000149416 005__ 20250127135743.0
000149416 037__ $$aTAZ-TFG-2024-4147
000149416 041__ $$aspa
000149416 1001_ $$aBueno Ereza, Pablo Jesús
000149416 24200 $$aOptimising Gradient Boosting decision trees by adding uncertainty metrics.
000149416 24500 $$aOptimización de árboles de decisión tipo Gradient Boosting añadiendo métricas de incertidumbre.
000149416 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2024
000149416 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000149416 520__ $$aEn este trabajo se aborda el problema de la clasificación de píxeles hiperespectrales utilizando modelos que permitan tanto una alta precisión como la incorporación de métricas de incertidumbre, fundamentales para la toma de decisiones. Aunque las redes neuronales bayesianas (BNNs) ofrecen excelentes resultados y proporcionan información valiosa sobre la incertidumbre en las predicciones, su alto coste computacional las hace inviables en plataformas de bajo consumo. El principal objetivo de este estudio ha sido proponer una alternativa más eficiente y adecuada para estos entornos limitados en recursos, sin sacrificar notablemente la precisión ni la capacidad de analizar la incertidumbre, siendo esto último algo común en sistemas de rendimiento superior. Para ello, se ha propuesto el uso de modelos de árboles de decisión tipo Gradient Boosting (GBDT), investigando su potencial para competir con las BNNs. Durante el desarrollo, se han implementado varias optimizaciones, desde la reducción de los requisitos de entrada/salida hasta la modificación de la arquitectura de un acelerador especializado para GBDT, maximizando su eficiencia. A través de estas mejoras, no solo se ha logrado un modelo más ágil y con menor consumo energético, sino que se ha hallado la forma de reproducir las métricas de incertidumbre, lo que permite realizar predicciones más confiables y precisas, incluso en sistemas de recursos limitados. El trabajo abre la puerta a futuras optimizaciones y destaca la viabilidad de los modelos GBDT en sistemas de bajo consumo como una alternativa real a las BNNs en aplicaciones de clasificación hiperespectral.<br /><br />
000149416 521__ $$aGraduado en Ingeniería Informática
000149416 540__ $$aDerechos regulados por licencia Creative Commons
000149416 691__ $$a9
000149416 692__ $$aUtilizar los recursos con mayor eficacia y promover la adopción de tecnologías y procesos industriales limpios y ambientalmente racionales.
000149416 700__ $$aResano Ezcaray, Javier$$edir.
000149416 700__ $$aAlcolea Moreno, Adrián$$edir.
000149416 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cArquitectura y Tecnología de Computadores
000149416 8560_ $$f799101@unizar.es
000149416 8564_ $$s7805381$$uhttps://zaguan.unizar.es/record/149416/files/TAZ-TFG-2024-4147.pdf$$yMemoria (spa)
000149416 909CO $$ooai:zaguan.unizar.es:149416$$pdriver$$ptrabajos-fin-grado
000149416 950__ $$a
000149416 951__ $$adeposita:2025-01-27
000149416 980__ $$aTAZ$$bTFG$$cEINA
000149416 999__ $$a20240906133424.CREATION_DATE