Algoritmos de Deep Learning utilizando Tensor Flow para el tratamiento de datos de producción científica en la Universidad Técnica de Cotopaxi

dc.contributor.advisorRodríguez, Gustavo
dc.contributor.authorFalconí Punguil, Diego Geovanny
dc.date.accessioned2021-11-24T16:16:20Z
dc.date.available2021-11-24T16:16:20Z
dc.date.issued2021-06
dc.descriptionThe Artificial Intelligence, Neural Networks and Deep Learning Algorithms implementation supported by Tensor Flow is currently in continuous evolution since have opened new routes for the treatment and analysis of data large amounts in systems mainly hosted on the web. Deep learning algorithms are responsible for training and grouping an unsupervised input data by similarity called machine learning, the same ones that model high-level abstractions using mainly data expressed in matrix form or tensors. This research purpose is to help the level of unsupervised decision making at Ecuciencia scientific platform, which is hosted on the Technical University of Cotopaxi servers. The data that will be taken as a reference for the analyzes introduced in the algorithms will be referring to Research Lines and Sublines according to the Technical University of Cotopaxi. The impact of Deep Learning Algorithms implementation supported by Tensor Flow in the Ecuciencia system will be very important, since, thanks to this analysis, the scientific platform will be able to give a more accurate prediction of the classifications of Research Lines and Sublines.es_ES
dc.description.abstractLa implementación de Inteligencia Artificial, Redes Neuronales y Algoritmos de Deep Learning apoyados en TensorFlow en la actualidad se encuentra en constante evolución ya que han abierto nuevas rutas para el tratamiento y análisis de grandes cantidades de datos en sistemas alojados en la web principalmente. Los algoritmos de aprendizaje profundo se encargan de entrenar y agrupar por similitud una data de entrada sin supervisión denominado aprendizaje automático, los mismos que modelan abstracciones de alto nivel utilizando principalmente datos expresados en forma matricial o tensores. La presente investigación tiene como la finalidad el ayudar el nivel de toma de decisiones no supervisados en la plataforma científica Ecuciencia, la misma que se encuentra alojado en los servidores de la Universidad Técnica de Cotopaxi. Los datos que se tomarán como referencia para los análisis introducidos en los algoritmos, será los referentes a Líneas y Sublíneas de Investigación de acuerdo a la Universidad Técnica de Cotopaxi. El impacto de la implementación de algoritmos de aprendizaje profundo apoyados en TensorFlow en el sistema Ecuciencia, será muy importante, puesto que, gracias a este análisis, la plataforma científica podrá ser capaz de dar una predicción más acertada de las clasificaciones de Líneas y Sublíneas de investigación.es_ES
dc.format.extent135 páginases_ES
dc.identifier.citationFalconí Punguil Diego Geovanny (2021); Algoritmos de Deep Learning utilizando Tensor Flow para el tratamiento de datos de producción científica en la Universidad Técnica de Cotopaxi. UTC. Latacunga. 135 p.es_ES
dc.identifier.otherMUTC-000998
dc.identifier.urihttp://repositorio.utc.edu.ec/handle/27000/7764
dc.language.isospaes_ES
dc.publisherEcuador: Latacunga: Universidad Técnica de Cotopaxi: UTC.es_ES
dc.rightsopenAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subjectALGORITMOSes_ES
dc.subjectREDES NEURONALESes_ES
dc.subjectAPRENDIZAJE PROFUNDOes_ES
dc.subjectTENSORFLOWes_ES
dc.subjectECUCIENCIAes_ES
dc.subject.otherSISTEMAS DE INFORMACIÓNes_ES
dc.titleAlgoritmos de Deep Learning utilizando Tensor Flow para el tratamiento de datos de producción científica en la Universidad Técnica de Cotopaxies_ES
dc.typemasterThesises_ES
Files
Original bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
MUTC-000998.pdf
Size:
6.25 MB
Format:
Adobe Portable Document Format
Description:
PROYECTO DE GRADO A TEXTO COMPLETO
License bundle
Now showing 1 - 1 of 1
Loading...
Thumbnail Image
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: