Jupiter: Framework para el uso de modelos de Machine Learning

Fonseca Martínez, Miguel

Publication:
Jupiter: Framework para el uso de modelos de Machine Learning

dc.contributor.author	Fonseca Martínez, Miguel
dc.contributor.departamento	UC3M. Departamento de Informática	es
dc.contributor.tutor	Baldominos Gómez, Alejandro
dc.date.accessioned	2021-05-27T14:56:45Z
dc.date.available	2021-05-27T14:56:45Z
dc.date.issued	2017-07-05
dc.date.submitted	2017-07-05
dc.description.abstract	El auge del Deep Learning en la sociedad actual, es un hecho. En la era de la Información, vivimos rodeados de datos y el procesamiento de los mismos se convierte en una necesidad clave para poder realizar análisis detallado de las estrategias de negocio, y poder concretar resultados que puedan ser presentados a los accionistas o inversores. Estos análisis siempre se basaban en datos pasados y con predicciones no exactas a largo plazo. Sin embargo, desde hace unos años a ahora, y gracias a la mejora de la tecnología, y sobretodo, a la evolución de los dispositivos de computación, donde las GPU, han recogido el testigo de las CPU en cuanto al procesamiento, ha permitido desarrollar algoritmos de aprendizaje basados en muchas capas o muchas neuronas ( o capas convolucionales ), llamado Deep learning. Gracias a estos avances, se pueden entrenar sistemas que sean capaces de predecir datos, señales e imágenes, con una precisión increíble. De hecho, es posible, gracias al Deep Learning, poder predecir potenciales enfermedades cardiacas, valores de bolsa futuros, reconocimiento de imágenes, generación automática de imágenes, y un infinito etc de posibilidades. Aunque en la introducción de este proyecto, se ha hablado de Deep Learning, el objetivo de este proyecto no es el Deep Learning como tal, si no, proporcionar un Framework y un API intuitivo. A partir de un modelo desde cero, o partiendo de un modelo pre-entrenado, poder acceder de la manera mas sencilla al modelo y poder realizar estimaciones o predicciones del mismo, y gracias a este API accesible y sencillo de implementar, permitir al investigador y trabajador centrarse en mejorar su modelo, sin que le preocupe cómo implementarlo en un móvil o en la WEB.	es
dc.description.degree	Ingeniería de Telecomunicación	es
dc.identifier.uri	https://hdl.handle.net/10016/32783
dc.language.iso	spa	es
dc.rights	Atribución-NoComercial-SinDerivadas 3.0 España	*
dc.rights.accessRights	open access	es
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/es/	*
dc.subject.eciencia	Telecomunicaciones	es
dc.subject.other	Deep Learning	es
dc.subject.other	GPU	es
dc.subject.other	Algoritmos de aprendizaje	es
dc.subject.other	Redes neuronales	es
dc.subject.other	Cloud computing	es
dc.subject.other	Web	es
dc.title	Jupiter: Framework para el uso de modelos de Machine Learning	es
dc.type	master thesis	*
dspace.entity.type	Publication