View in EDS

Implementación y exploración de mapas autoorganizados: arquitectura, variantes e información comparativa

Saved in:
Bibliographic Details
Title: Implementación y exploración de mapas autoorganizados: arquitectura, variantes e información comparativa
Authors: Sansano Colomina, Jaume
Contributors: Diez Alba, Carlos, Díaz Abad, Carlos, Departamento de Sistemas Informáticos y Computación, Escuela Politécnica Superior de Alcoy, Instituto Universitario Valenciano de Investigación en Inteligencia Artificial, Repositorio Institucional de la Universitat Politècnica de València Riunet
Source: RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Universitat Politècnica de València (UPV)
Publisher Information: 2025.
Publication Year: 2025
Subject Terms: Neural Networks, Grado en Ingeniería Informática-Grau en Enginyeria Informàtica, Unsupervised Learning, Inteligencia artificial, Aprendizaje automático, Reducción de dimensionalidad, Machine Learning, Artificial Intelligence, Redes Neuronales, Mapas Autoorganizados, Aprendizaje no Supervisado, Kohonen, Dimensionality Reduction, Self-Organizing Maps
Description: [ES] Este trabajo se centra en la implementación y el estudio de los algoritmos de Mapas Autoorganizados (Self-Organizing Maps, SOM), planteados originalmente por Teuvo Kohonen en la década de los 90. El creciente número de dimensiones en la recolección de datos actuales y la consecuente pérdida de información al trabajar en espacios de alta dimensionalidad supone uno de los grandes retos en el mundo del procesamiento de datos, y es conocido por el nombre de "la maldición de la dimensionalidad". Los SOM, están fuertemente inspirados en el funcionamiento de las sinapsis neuronales y utilizan el aprendizaje competitivo en redes neuronales (Artificial Neural Networks, ANN), para afrontar el desafío de la dimensionalidad mediante aprendizaje no supervisado. El objetivo principal del trabajo es profundizar en las bases teóricas y prácticas del algoritmo clásico de T.Kohonen, explorando tanto sus dos variantes iniciales como las numerosas adaptaciones surgidas posteriormente para abordar las exigencias actuales en campos como la ciencia de datos, la industria, las finanzas y el análisis de grandes volúmenes de información. Además de la implementación de los algoritmos SOM originales mediante herramientas como numpy para optimizar el tiempo de ejecución, el trabajo contempla un análisis comparativo entre otras técnicas contemporáneas de reducción de dimensionalidad que ha tomado fuerza en los últimos años en campos como el procesamiento de lenguaje natural o el análisis de datos. Para la evaluación, se utilizarán diferentes conjuntos de datos representativos, de diferente naturaleza, garantizando una evaluación amplia y significativa de los métodos en términos de precisión, eficacia computacional y preservación de la topología original. Finalmente, este trabajo proporciona conclusiones detalladas que permitirán entender las fortalezas y limitaciones de los SOM en comparación con técnicas emergentes, e intentando ofrecer recomendaciones claras y prácticas sobre cuándo es preferible su utilización según el tipo de datos y las exigencias del problema en cuestión. Se establecen también posibles mejores para estudios futuros como la optimización mediante librerías más potentes para abarcar el creciente volumen de datos.
Document Type: Bachelor thesis
File Description: application/pdf
Language: Spanish; Castilian
Access URL: https://riunet.upv.es/handle/10251/223993
Rights: URL: http://rightsstatements.org/vocab/InC/1.0/
Accession Number: edsair.RECOLECTA.....99734fe21e18d3ce4dd34502803d5d8c
Database: OpenAIRE
Description
Abstract:[ES] Este trabajo se centra en la implementación y el estudio de los algoritmos de Mapas Autoorganizados (Self-Organizing Maps, SOM), planteados originalmente por Teuvo Kohonen en la década de los 90. El creciente número de dimensiones en la recolección de datos actuales y la consecuente pérdida de información al trabajar en espacios de alta dimensionalidad supone uno de los grandes retos en el mundo del procesamiento de datos, y es conocido por el nombre de "la maldición de la dimensionalidad". Los SOM, están fuertemente inspirados en el funcionamiento de las sinapsis neuronales y utilizan el aprendizaje competitivo en redes neuronales (Artificial Neural Networks, ANN), para afrontar el desafío de la dimensionalidad mediante aprendizaje no supervisado. El objetivo principal del trabajo es profundizar en las bases teóricas y prácticas del algoritmo clásico de T.Kohonen, explorando tanto sus dos variantes iniciales como las numerosas adaptaciones surgidas posteriormente para abordar las exigencias actuales en campos como la ciencia de datos, la industria, las finanzas y el análisis de grandes volúmenes de información. Además de la implementación de los algoritmos SOM originales mediante herramientas como numpy para optimizar el tiempo de ejecución, el trabajo contempla un análisis comparativo entre otras técnicas contemporáneas de reducción de dimensionalidad que ha tomado fuerza en los últimos años en campos como el procesamiento de lenguaje natural o el análisis de datos. Para la evaluación, se utilizarán diferentes conjuntos de datos representativos, de diferente naturaleza, garantizando una evaluación amplia y significativa de los métodos en términos de precisión, eficacia computacional y preservación de la topología original. Finalmente, este trabajo proporciona conclusiones detalladas que permitirán entender las fortalezas y limitaciones de los SOM en comparación con técnicas emergentes, e intentando ofrecer recomendaciones claras y prácticas sobre cuándo es preferible su utilización según el tipo de datos y las exigencias del problema en cuestión. Se establecen también posibles mejores para estudios futuros como la optimización mediante librerías más potentes para abarcar el creciente volumen de datos.