Look-up in Google Scholar
Full metadata record
Ochoa Luna, José Eduardo
Llerena Paricahua, Marcell
2021-05-04T17:25:40Z
2021-05-04T17:25:40Z
2021-05-04T17:25:40Z
2021-05-04T17:25:40Z
2021
1073146
https://hdl.handle.net/20.500.12590/16734
El gran éxito de las redes neuronales profundas (DNN) incide sobre su capacidad de aprender características automáticamente aminorando la supervisión humana. No obstante, dicho éxito viene acompañado de la gran cantidad de datos necesarios para entrenar los modelos profundos. Por ejemplo, para que un modelo profundo aprenda a distinguir gatos de perros se necesitan cientos de miles de imágenes. Recientemente, una área del aprendizaje automático denominada meta aprendizaje ha recibido especial atención, cuyo principal objetivo es conseguir que los modelos profundos sean capaces de reutilizar experiencia aprendida en diferentes tareas para aplicarla en el aprendizaje de una nueva tarea, lo que en consecuencia debería otorgarle al modelo profundo la habilidad de aprender nuevas tareas a partir de pocas muestras. En respuesta a ello, en la literatura se han planteado algoritmos que son capaces de generalizar diferentes tareas con una sola muestra de entrenamiento. Sin embargo, aún adolecen de una baja tasa de exactitud. Motivo por el cual, en este proyecto de tesis se introduce un mecanismo de regularización con el objetivo que ayude a maximizar la generalización de las tareas. Nuestros experimentos han mostrado que nuestro método de regularización propuesto alcanza resultados competitivos respecto al estado del arte. (es_PE)
Tesis (es_PE)
application/pdf (es_PE)
spa (es_PE)
Universidad Católica San Pablo (es_PE)
SUNEDU
info:eu-repo/semantics/openAccess (es_PE)
https://creativecommons.org/licenses/by/4.0/ (es_PE)
Universidad Católica San Pablo (es_PE)
Repositorio Institucional - UCSP (es_PE)
reponame:UCSP-Institucional
instname:Universidad Católica San Pablo
instacron:UCSP
Aprendizaje con pocas muestras (es_PE)
Meta aprendizaje basado en optimización (es_PE)
Redes neuronales profundas (es_PE)
Un nuevo mecanismo de regularización para algoritmos de aprendizaje con pocas muestras (es_PE)
info:eu-repo/semantics/masterThesis (es_PE)
Universidad Católica San Pablo. Departamento de Ciencia de la Computación (es_PE)
Ciencia de la Computación (es_PE)
Maestría (es_PE)
Maestro en Ciencia de la Computación (es_PE)
PE (es_PE)
http://purl.org/pe-repo/ocde/ford#1.02.01 (es_PE)
https://purl.org/pe-repo/renati/level#maestro (es_PE)
29738760
https://orcid.org/0000-0002-8979-3785 (es_PE)
47718830
611017 (es_PE)
Alex Jesús Cuadros Vargas (es_PE)
Adín Ramírez Rivera (es_PE)
Edwin Rafael Villanueva Talavera (es_PE)
Rensso Victor Hugo Mora Colque (es_PE)
https://purl.org/pe-repo/renati/type#tesis (es_PE)
Privada asociativa
info:eu-repo/semantics/publishedVersion (es_PE)



This item is licensed under a Creative Commons License Creative Commons