Alonso Weber, Juan ManuelMinaya Montalvo, Marcos2020-01-142020-01-142018-09-052018-10-05https://hdl.handle.net/10016/29460As has been well commented, the interest about the knowledge of neuronal models for image recognition and their classification is the challenge that is proposed throughout the following work. Two major objectives to be achieved though the analysis developed are: The study of the theoretical basis and internal functioning of the two proposed neuronal models, multilayer perceptron and convolutional network. Special emphasis on the operation of the MLP, in order to know the reasons why it is not able to achieve acceptable results with CIFAR10. This last objective is so interesting, because there is not much information about it. With the study that will be execute, we expect to find answers or, failing that, certain ideas for the understanding of the internal process that an MLP executes, and why when working with two domains at the beginning so similar, it obtains distant results. On the other hand we also want to investigate which models and architecture is the most appropriate for each domain. Although it has been shown that CNN obtain much better results when working with CIFAR10, their number of hidden neurons, the activation function types, error minimization algorithm, etc, are also parameters to analyzed. Although much less important for this work, one of the objectives that were also proposed was the acquisition of knowledge with the tensorflow library. Because of all the progress in terms of artificial intelligence is concerned, tensorflow provides a very important value, especially in this types of task in which we want to deepen knowledge about neural networks. Unlike other types of libraries such a Keras, tensorflow is aimed at a lower level of abstraction, being able to say that it is “a lower level library”. It is a great advantage when the purpose of the study is the deepest foundations of these networks, however, the cost of understanding the code, its flows of execution and data visualization have been more expensive.Como bien se ha comentado, el interés acerca del conocimiento de modelos neuronales para el reconocimiento de imágenes y su clasificación es el reto que se propone a lo largo del siguiente trabajo. Cabe destacar dos grandes objetivos a alcanzar mediante el análisis desarrollado: Estudio de la base teórica y del funcionamiento interno de los dos modelos neuronales propuestos, Perceptrón multicapa y redes convolucionales. Especial hincapié en el funcionamiento del MLP, para de este modo conocer los motivos por los que no es capaz de alcanzar resultados aceptables con CIFAR10. Este último objetivo es de especial interés, debido a que no se encuentra demasiada información al respecto. Con el estudio que se pasará a realizar se esperan encontrar respuestas o en su defecto, ciertas ideas para el entendimiento del proceso interno que ejecuta un MLP, y el porqué al trabajar con dos dominios en un principio tan similares, obtiene resultados tan distantes. Por otro lado también se quiere indagar en qué modelo y arquitectura es la más adecuada para cada dominio. Aunque se ha demostrado que las CNN obtienen mucho mejores resultados al trabajar con CIFAR10, su número de neuronas ocultas, los tipos de funciones de activación, algoritmos de minimización de error etc. también son parámetros a analizar. Aunque con mucha menos importancia para este trabajo, uno de los objetivos que también se proponía era la adquisición de conocimientos con la librería tensorflow. A causa de todo el avance en cuanto a la inteligencia artificial se refiere, tensorflow aporta un valor muy importante, sobre todo en este tipo de tareas en las que se quiere profundizar acerca del conocimiento de las redes neuronales. A diferencia de otro tipo de librerías como Keras, Tensorflow se dirige a un menor nivel de abstracción, pudiendo decir que es “una librería de más bajo nivel”. Es una gran ventaja cuando el propósito del estudio es las bases más profundas de estas redes, sin embargo, el coste de comprender el código, sus flujos de ejecución y visualización de datos han sido más costosos.spaAtribución-NoComercial-SinDerivadas 3.0 EspañaModelos neuronalesProceso de imágenesInteligencia artificialComputer vision algorithmsbachelor thesisopen access