Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación

La arquitectura de una red neuronal es una propiedad fundamental que influye en el apropiado funcionamiento de la misma. La elección del número de capas ocultas y de neuronas de una red neuronal afecta al entrenamiento y al reconocimiento de patrones por parte de la máquina de aprendizaje. Por lo ta...

Full description

Autores:: Vargas Ochoa, Carlos Edwardo

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2022

Institución:: Universidad de San Buenaventura

Repositorio:: Repositorio USB

Idioma:: spa

id	SANBUENAV2_31cf83ff1901d2733ea8ea8fa74a9289
oai_identifier_str	oai:bibliotecadigital.usb.edu.co:10819/11670
network_acronym_str	SANBUENAV2
network_name_str	Repositorio USB
repository_id_str
dc.title.spa.fl_str_mv	Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación
title	Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación
spellingShingle	Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación 620 - Ingeniería y operaciones afines Maquina Aprendizaje Datos Redes Neuronales Redes Neuronales Evolutivas Algoritmos Evolutivos Clasificación usando Redes Neuronales Arquitectura de Redes Neuronales Neural Networks Evolutive Neural Networks Evolutive Algorithms Classification using Neural Networks Neural Networks Architectures
title_short	Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación
title_full	Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación
title_fullStr	Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación
title_full_unstemmed	Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación
title_sort	Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación
dc.creator.fl_str_mv	Vargas Ochoa, Carlos Edwardo
dc.contributor.advisor.none.fl_str_mv	Ugarte Macías, Juan Pablo Ugarte Macías, Juan Pablo
dc.contributor.author.none.fl_str_mv	Vargas Ochoa, Carlos Edwardo
dc.subject.ddc.none.fl_str_mv	620 - Ingeniería y operaciones afines
topic	620 - Ingeniería y operaciones afines Maquina Aprendizaje Datos Redes Neuronales Redes Neuronales Evolutivas Algoritmos Evolutivos Clasificación usando Redes Neuronales Arquitectura de Redes Neuronales Neural Networks Evolutive Neural Networks Evolutive Algorithms Classification using Neural Networks Neural Networks Architectures
dc.subject.other.none.fl_str_mv	Maquina Aprendizaje Datos
dc.subject.proposal.spa.fl_str_mv	Redes Neuronales Redes Neuronales Evolutivas Algoritmos Evolutivos Clasificación usando Redes Neuronales Arquitectura de Redes Neuronales
dc.subject.proposal.eng.fl_str_mv	Neural Networks Evolutive Neural Networks Evolutive Algorithms Classification using Neural Networks Neural Networks Architectures
description	La arquitectura de una red neuronal es una propiedad fundamental que influye en el apropiado funcionamiento de la misma. La elección del número de capas ocultas y de neuronas de una red neuronal afecta al entrenamiento y al reconocimiento de patrones por parte de la máquina de aprendizaje. Por lo tanto, es importante que la elección de la arquitectura garantice un buen rendimiento en la resolución de problemas de clasificación automática. En este proyecto se presenta el diseño de un esquema evolutivo enfocado a la modificación de la arquitectura de una red, donde se usa a un algoritmo genético para variar el número de capas y neuronas. En este documento se describe la subordinación de los parámetros de una red neuronal a un algoritmo genético, realizándose pruebas en el número de neuronas, y también en el de capas y neuronas en conjunto. Se evaluó la utilización de diferentes métricas como función de costos del algoritmo evolutivo, recogiendo las que garantizaron un mayor rendimiento. El algoritmo resultante fue evaluado utilizando las bases de datos MNIST, SEED-IV, MATLAB Human-Activity, UCI Census Income, UCI Arrhythmia y UCI Ionosphere. Con todo esto, se evidenció su versatilidad, dado que la red neuronal evolutiva implementada resolvió problemas de clasificación en diferentes contextos con un alto rendimiento.
publishDate	2022
dc.date.issued.none.fl_str_mv	2022
dc.date.accessioned.none.fl_str_mv	2023-06-08T22:26:00Z
dc.date.available.none.fl_str_mv	2023-06-08T22:26:00Z
dc.type.spa.fl_str_mv	Trabajo de grado - Pregrado
dc.type.coar.spa.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv	Text
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.redcol.spa.fl_str_mv	http://purl.org/redcol/resource_type/TP
dc.type.version.spa.fl_str_mv	info:eu-repo/semantics/acceptedVersion
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.citation.none.fl_str_mv	[1] C. E. Vargas Ochoa “Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación.”, Trabajo de grado Ingeniería Electrónica, Universidad de San Buenaventura, Facultad de Ingenierías, Medellín, 2022
dc.identifier.instname.spa.fl_str_mv	instname:Universidad de San Buenaventura
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad de San Buenaventura
dc.identifier.repourl.spa.fl_str_mv	repourl:https://bibliotecadigital.usb.edu.co/
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/10819/11670
identifier_str_mv	[1] C. E. Vargas Ochoa “Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación.”, Trabajo de grado Ingeniería Electrónica, Universidad de San Buenaventura, Facultad de Ingenierías, Medellín, 2022 instname:Universidad de San Buenaventura reponame:Repositorio Institucional Universidad de San Buenaventura repourl:https://bibliotecadigital.usb.edu.co/
url	https://hdl.handle.net/10819/11670
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv	http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2
dc.format.extent.none.fl_str_mv	66 páginas
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad de San Buenaventura
dc.publisher.branch.spa.fl_str_mv	Medellín
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería
dc.publisher.place.none.fl_str_mv	Medellín
dc.publisher.program.spa.fl_str_mv	Ingeniería Electrónica
institution	Universidad de San Buenaventura
dc.source.bibliographicCitation.spa.fl_str_mv	[1] G. P. Zhang, «Neural Networks for Classification: A Survey,» IEEE Transactions on Systems, Man and Cybernetics, vol. 30, nº 4, p. 451–462, 2000. [2] B. Widrow, D. E. Rumelhart y M. A. Lehr, «Neural networks: applications in industry, business and science,» Communications of the ACM, vol. 37, nº 3, p. 93–105, 1994. [3] H. Lu, R. Setiono y H. Liu., «Effective data mining using neural networks,» IEEE Transactions on Knowledge and Data Engineering, vol. 8, nº 6, p. 957–961, 1996. [4] R. Bala y D. Kumar, «Classification Using ANN: A Review,» International Journal of Computational Intelligence Research, vol. 13, nº 7, pp. 1811-1820, 2017. [5] J. Gu, Z. Wang, J. Kuen, L. Ma, A. Shahroudy, B. Shuai y T. Chen, «Recent advances in convolutional neural networks.,» Pattern Recognition, vol. 77, p. 354–377, 2018. [6] K. O. Stanley y R. Miikkulainen, «Evolving Neural Networks through augmenting Topologies,» Evolutionary Computation, vol. 10, nº 2, pp. 99-127, 2002. [7] I. Nunes da Silva, D. Hernane Spatti, R. Andrade Flauzino, L. H. Bartocci Liboni y S. F. dos Reis Alves, Artificial Neural Networks, Sao Paulo: Springer, 2017. [8] J. Heaton, Introduction to Neural Networks for Java, Chesterfield: Heaton Research, Inc., 2008. [9] K. A. Sankararaman, S. De, Z. Xu, W. R. Huang y T. Goldstein, «The Impact of Neural Network Overparameterization on Gradient Confusion and Stochastic Gradient Descent,» 37th International Conference on Machine Learning, Viena, 2020. [10] J. Steuler, Linus, M. P. B. Beck y M. Guckert, «Optimizing the Energy Consumption of Neural Networks,» IEEE Symposium Series on Computational Intelligence, Frankfurt, 2020. [11] I. Ahamed y S. Akthar, «A Study on Neural Network Architectures,» Computer Engineering and Intelligent Systems, vol. 7, nº 9, pp. 1-7, 2016. [12] L. Etaati, Machine Learning with Microsoft Technologies, Aukland: Springer, 2019. [13] M. Paluszek y S. Thomas, MATLAB Machine Learning, Nueva Jersey: Springer, 2017. [14] D. Sarkar, R. Bali y T. Sharma, Practical Machine Learning with Python, Bangalore: Springer, 2018. [15] C. C. Aggarwal, Neural Networks and Deep Learning, Nueva York: Springer, 2018. [16] O. Kramer, Genetic Algorithm Essentials, Oldenburgo: Springer, 2017. [17] A. Zaknich, Advanced Textbooks in Control and Signal Processing, Murdoch: Springer, 2005. [18] B. Baker, O. Gupta, N. Naik y R. Raskar, «Designing Neural Network Architectures using Reinforcement Learning,» de ICLR 2017, Cambridge, 2017. [19] X. Dai, H. Yin y N. K. Jha, «Incremental Learning Using a Grow-and-Prune Paradigm with Efficient Neural Networks,» arXiv, 2019. [20] J. Stastny y V. Skorpil, «Genetic algorithm and neural network,» Proceedings of the 7th WSEAS International Conference on Applied Informatics and Communications, Brno, 2007. [21] M. Suganuma, S. Shirakawa y T. Nagao, «A Genetic Programming Approach to Designing Convolutional Neural Network Architectures,» GECCO '17, Berlin, 2017. [22] O. Üstün, E. Bekiroğlu y M. Önder, «Design of highly effective multilayer feedforward neural network by using genetic algorithm,» Expert Systems, vol. 37, nº 4, pp. 1-19, 2020. [23] T. Arteaga Arteaga, J. M. Ortiz Rodríguez y V.-C. H. Rene, «Genetic Algorithms used to Optimize an Artificial Neural Network Design used in Neutron Spectrometry,» Proccedings of the ISSSD, vol. 1, pp. 128-150, 2016. [24] MathWorks, «Deep Learning Toolbox,» [En línea]. Available: https://la.mathworks.com/products/deep-learning.html [25] MathWorks, «Global Optimization Toolbox,» [En línea]. Available: https://la.mathworks.com/products/global-optimization.html. [26] MathWorks, «Find minimum of function using genetic algorithm - MATLAB ga,» [En línea]. Available: https://www.mathworks.com/help/gads/ga.html. [27] H. Pishro-Nik, Introduction to Probability, Statistics, and Random Processes, Massachusetts: University of Massachusetts Amherst, 2014 . [28] X. Yan, L. Zhang, J. Li, D. Du y F. & Hou, «Entropy-Based Measures of Hypnopompic Heart Rate Variability Contribute to the Automatic Prediction of Cardiovascular Events,» Entropy, vol. 22, nº 2, p. 241, 2020. [29] Y. Sasaki, «The truth of the F-measure,» School of Computer Science, University of Manchester, Manchester, 2007. [30] M. Friehauf, M. Hertel, J. Liu y S. Luong, «On Compass and Straightedge Constructions: Means,» 2013 [31] Y. LeCunn, C. Cortes y C. Burges, «The Mninst Database of handwritten digits,» [En línea]. Available: http://yann.lecun.com/exdb/mnist/ [32] W.-L. Zheng, W. Liu, Y. Lu, B.-L. Lu y A. Cichocki, «EmotionMeter: A Multimodal Framework for Recognizing Human Emotions.,» IEEE Transactions on Cybernetics, vol. 49, nº 3, pp. 1110-1122, 2018. [33] T. Adeyemi, «The Effective use of Standard Scores for Research in Educational Management,» Research Journal of Mathematics and Statistics, vol. 3, nº 3, pp. 91-96, 2011 [34] H. A. Guvenir, B. Acar, G. Demiroz y A. Cekin, «A supervised machine learning algorithm for arrhythmia analysis.,» Computers in Cardiology, vol. 24, pp. 433-436, 1997 [35] M. Lacey, «Categorical Data,» Department of Statistics and Data Science - Yale University, [En línea]. Available: https://cutt.ly/ED5NxvV. [36] R. Kohavi y B. Becker, «Census Income Data Set,» UCI, 1 Mayo 1996. [En línea]. Available: https://archive.ics.uci.edu/ml/datasets/census+income. [37] A. El Helou, «Human Activity Recognition Simulink Model for Smartphone Deployment,» MathWorks, [En línea]. Available: https://cutt.ly/CD5NqMX. [38] V. G. Sigillito, S. P. Wing, L. V. Hutton y K. B. Baker, «Classification of radar returns from the ionosphere using neural networks,» Johns Hopkins APL Technical Digest, vol. 10, nº 3, pp. 262-266, 1989. [39] R. H. Genis, «Significado del concepto de pendiente,» Universidad Autónoma del Estado de Hidalgo, [En línea]. Available: https://cutt.ly/LD5Ntd4 [40] N. Sangavi, R. Jeevitha, P. Kathirvel y K. Premalatha, «Impact of Classification Algorithms on Census Dataset,» International Journal of Recent Technology and Engineering (IJRTE), vol. 8, nº 5, pp. 2666-2670, 2020
dc.source.other.none.fl_str_mv	Biblioteca USB Medellín (San Benito): TG-6506t
bitstream.url.fl_str_mv	https://bibliotecadigital.usb.edu.co/bitstreams/5ae7be9a-a3ef-4f9f-92de-103a41d57c68/download https://bibliotecadigital.usb.edu.co/bitstreams/7502612b-9d8d-4e49-ab10-46d574a8fe92/download https://bibliotecadigital.usb.edu.co/bitstreams/1fe634d1-4de2-4bfb-9c4c-46e8170f343a/download https://bibliotecadigital.usb.edu.co/bitstreams/6bec0fda-ff29-45b9-9528-61a71992f1a7/download
bitstream.checksum.fl_str_mv	70f3ebed0c54452a368c8e24389e49f3 0c7b7184e7583ec671a5d9e43f0939c0 cbc8ee0589199dfbb8a3310936fb12bc 7910b8f3a08601bdc0f4f3f79f26f709
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad de San Buenaventura Colombia
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1837099228278554624
spelling	Ugarte Macías, Juan Pablo59f2010c-d265-4d45-81cd-0905ab7fced9-1Ugarte Macías, Juan Pablovirtual::2373-1Vargas Ochoa, Carlos Edwardofc1f59ef-8bb7-498e-b94a-643eb50b6827-12023-06-08T22:26:00Z2023-06-08T22:26:00Z2022La arquitectura de una red neuronal es una propiedad fundamental que influye en el apropiado funcionamiento de la misma. La elección del número de capas ocultas y de neuronas de una red neuronal afecta al entrenamiento y al reconocimiento de patrones por parte de la máquina de aprendizaje. Por lo tanto, es importante que la elección de la arquitectura garantice un buen rendimiento en la resolución de problemas de clasificación automática. En este proyecto se presenta el diseño de un esquema evolutivo enfocado a la modificación de la arquitectura de una red, donde se usa a un algoritmo genético para variar el número de capas y neuronas. En este documento se describe la subordinación de los parámetros de una red neuronal a un algoritmo genético, realizándose pruebas en el número de neuronas, y también en el de capas y neuronas en conjunto. Se evaluó la utilización de diferentes métricas como función de costos del algoritmo evolutivo, recogiendo las que garantizaron un mayor rendimiento. El algoritmo resultante fue evaluado utilizando las bases de datos MNIST, SEED-IV, MATLAB Human-Activity, UCI Census Income, UCI Arrhythmia y UCI Ionosphere. Con todo esto, se evidenció su versatilidad, dado que la red neuronal evolutiva implementada resolvió problemas de clasificación en diferentes contextos con un alto rendimiento.The architecture of a neural network is a fundamental property that plays an important role in its proper function. The choice of the number of layers and neurons in a neural network affects the training and the pattern recognizing of the learning machine. Thus, it is important that the selection of the architecture guarantees a good performance in solving automatic problems. This project presents the design of an evolutive algorithm focused in the modification of the network architecture, using a genetic algorithm for changing the number of layers and neurons. This document describes the subordination of the neural network parameters to a genetic algorithm, changing the neurons number first, and then the number of layers and the neurons at the same time. Different measures are tested as fitness functions for the genetic algorithm, looking for those with the best performance. The algorithm was then evaluated using the MNIST, SEED-IV, MATLAB Human-Activity, UCI Census Income, UCI Arrhythmia and UCI Ionosphere datasets. With all this, its versatility was evinced, since the implemented evolutive neural network solved classification problems in distinct contexts with a high performance.PregradoIngeniero Electrónico66 páginasapplication/pdf[1] C. E. Vargas Ochoa “Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación.”, Trabajo de grado Ingeniería Electrónica, Universidad de San Buenaventura, Facultad de Ingenierías, Medellín, 2022instname:Universidad de San Buenaventurareponame:Repositorio Institucional Universidad de San Buenaventurarepourl:https://bibliotecadigital.usb.edu.co/https://hdl.handle.net/10819/11670spaUniversidad de San BuenaventuraMedellínFacultad de IngenieríaMedellínIngeniería Electrónicainfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2[1] G. P. Zhang, «Neural Networks for Classification: A Survey,» IEEE Transactions on Systems, Man and Cybernetics, vol. 30, nº 4, p. 451–462, 2000.[2] B. Widrow, D. E. Rumelhart y M. A. Lehr, «Neural networks: applications in industry, business and science,» Communications of the ACM, vol. 37, nº 3, p. 93–105, 1994.[3] H. Lu, R. Setiono y H. Liu., «Effective data mining using neural networks,» IEEE Transactions on Knowledge and Data Engineering, vol. 8, nº 6, p. 957–961, 1996.[4] R. Bala y D. Kumar, «Classification Using ANN: A Review,» International Journal of Computational Intelligence Research, vol. 13, nº 7, pp. 1811-1820, 2017.[5] J. Gu, Z. Wang, J. Kuen, L. Ma, A. Shahroudy, B. Shuai y T. Chen, «Recent advances in convolutional neural networks.,» Pattern Recognition, vol. 77, p. 354–377, 2018.[6] K. O. Stanley y R. Miikkulainen, «Evolving Neural Networks through augmenting Topologies,» Evolutionary Computation, vol. 10, nº 2, pp. 99-127, 2002.[7] I. Nunes da Silva, D. Hernane Spatti, R. Andrade Flauzino, L. H. Bartocci Liboni y S. F. dos Reis Alves, Artificial Neural Networks, Sao Paulo: Springer, 2017.[8] J. Heaton, Introduction to Neural Networks for Java, Chesterfield: Heaton Research, Inc., 2008.[9] K. A. Sankararaman, S. De, Z. Xu, W. R. Huang y T. Goldstein, «The Impact of Neural Network Overparameterization on Gradient Confusion and Stochastic Gradient Descent,» 37th International Conference on Machine Learning, Viena, 2020.[10] J. Steuler, Linus, M. P. B. Beck y M. Guckert, «Optimizing the Energy Consumption of Neural Networks,» IEEE Symposium Series on Computational Intelligence, Frankfurt, 2020.[11] I. Ahamed y S. Akthar, «A Study on Neural Network Architectures,» Computer Engineering and Intelligent Systems, vol. 7, nº 9, pp. 1-7, 2016.[12] L. Etaati, Machine Learning with Microsoft Technologies, Aukland: Springer, 2019.[13] M. Paluszek y S. Thomas, MATLAB Machine Learning, Nueva Jersey: Springer, 2017.[14] D. Sarkar, R. Bali y T. Sharma, Practical Machine Learning with Python, Bangalore: Springer, 2018.[15] C. C. Aggarwal, Neural Networks and Deep Learning, Nueva York: Springer, 2018.[16] O. Kramer, Genetic Algorithm Essentials, Oldenburgo: Springer, 2017.[17] A. Zaknich, Advanced Textbooks in Control and Signal Processing, Murdoch: Springer, 2005.[18] B. Baker, O. Gupta, N. Naik y R. Raskar, «Designing Neural Network Architectures using Reinforcement Learning,» de ICLR 2017, Cambridge, 2017.[19] X. Dai, H. Yin y N. K. Jha, «Incremental Learning Using a Grow-and-Prune Paradigm with Efficient Neural Networks,» arXiv, 2019.[20] J. Stastny y V. Skorpil, «Genetic algorithm and neural network,» Proceedings of the 7th WSEAS International Conference on Applied Informatics and Communications, Brno, 2007.[21] M. Suganuma, S. Shirakawa y T. Nagao, «A Genetic Programming Approach to Designing Convolutional Neural Network Architectures,» GECCO '17, Berlin, 2017.[22] O. Üstün, E. Bekiroğlu y M. Önder, «Design of highly effective multilayer feedforward neural network by using genetic algorithm,» Expert Systems, vol. 37, nº 4, pp. 1-19, 2020.[23] T. Arteaga Arteaga, J. M. Ortiz Rodríguez y V.-C. H. Rene, «Genetic Algorithms used to Optimize an Artificial Neural Network Design used in Neutron Spectrometry,» Proccedings of the ISSSD, vol. 1, pp. 128-150, 2016.[24] MathWorks, «Deep Learning Toolbox,» [En línea]. Available: https://la.mathworks.com/products/deep-learning.html[25] MathWorks, «Global Optimization Toolbox,» [En línea]. Available: https://la.mathworks.com/products/global-optimization.html.[26] MathWorks, «Find minimum of function using genetic algorithm - MATLAB ga,» [En línea]. Available: https://www.mathworks.com/help/gads/ga.html.[27] H. Pishro-Nik, Introduction to Probability, Statistics, and Random Processes, Massachusetts: University of Massachusetts Amherst, 2014 .[28] X. Yan, L. Zhang, J. Li, D. Du y F. & Hou, «Entropy-Based Measures of Hypnopompic Heart Rate Variability Contribute to the Automatic Prediction of Cardiovascular Events,» Entropy, vol. 22, nº 2, p. 241, 2020.[29] Y. Sasaki, «The truth of the F-measure,» School of Computer Science, University of Manchester, Manchester, 2007.[30] M. Friehauf, M. Hertel, J. Liu y S. Luong, «On Compass and Straightedge Constructions: Means,» 2013[31] Y. LeCunn, C. Cortes y C. Burges, «The Mninst Database of handwritten digits,» [En línea]. Available: http://yann.lecun.com/exdb/mnist/[32] W.-L. Zheng, W. Liu, Y. Lu, B.-L. Lu y A. Cichocki, «EmotionMeter: A Multimodal Framework for Recognizing Human Emotions.,» IEEE Transactions on Cybernetics, vol. 49, nº 3, pp. 1110-1122, 2018.[33] T. Adeyemi, «The Effective use of Standard Scores for Research in Educational Management,» Research Journal of Mathematics and Statistics, vol. 3, nº 3, pp. 91-96, 2011[34] H. A. Guvenir, B. Acar, G. Demiroz y A. Cekin, «A supervised machine learning algorithm for arrhythmia analysis.,» Computers in Cardiology, vol. 24, pp. 433-436, 1997[35] M. Lacey, «Categorical Data,» Department of Statistics and Data Science - Yale University, [En línea]. Available: https://cutt.ly/ED5NxvV.[36] R. Kohavi y B. Becker, «Census Income Data Set,» UCI, 1 Mayo 1996. [En línea]. Available: https://archive.ics.uci.edu/ml/datasets/census+income.[37] A. El Helou, «Human Activity Recognition Simulink Model for Smartphone Deployment,» MathWorks, [En línea]. Available: https://cutt.ly/CD5NqMX.[38] V. G. Sigillito, S. P. Wing, L. V. Hutton y K. B. Baker, «Classification of radar returns from the ionosphere using neural networks,» Johns Hopkins APL Technical Digest, vol. 10, nº 3, pp. 262-266, 1989.[39] R. H. Genis, «Significado del concepto de pendiente,» Universidad Autónoma del Estado de Hidalgo, [En línea]. Available: https://cutt.ly/LD5Ntd4[40] N. Sangavi, R. Jeevitha, P. Kathirvel y K. Premalatha, «Impact of Classification Algorithms on Census Dataset,» International Journal of Recent Technology and Engineering (IJRTE), vol. 8, nº 5, pp. 2666-2670, 2020Biblioteca USB Medellín (San Benito): TG-6506t620 - Ingeniería y operaciones afinesMaquinaAprendizajeDatosRedes NeuronalesRedes Neuronales EvolutivasAlgoritmos EvolutivosClasificación usando Redes NeuronalesArquitectura de Redes NeuronalesNeural NetworksEvolutive Neural NetworksEvolutive AlgorithmsClassification using Neural NetworksNeural Networks ArchitecturesImplementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificaciónTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionComunidad Científica y AcadémicaPublicationhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001472217virtual::2373-1https://scholar.google.com/citations?user=LFPIimIAAAAJ&hl=es&oi=aovirtual::2373-10000-0001-8008-3528virtual::2373-124880263-63b0-4bd4-af81-d7ff9fa6e112virtual::2373-124880263-63b0-4bd4-af81-d7ff9fa6e112virtual::2373-1ORIGINALRedes_Neuronales_Evolutivas_Vargas_2022.pdfRedes_Neuronales_Evolutivas_Vargas_2022.pdfapplication/pdf2298778https://bibliotecadigital.usb.edu.co/bitstreams/5ae7be9a-a3ef-4f9f-92de-103a41d57c68/download70f3ebed0c54452a368c8e24389e49f3MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82071https://bibliotecadigital.usb.edu.co/bitstreams/7502612b-9d8d-4e49-ab10-46d574a8fe92/download0c7b7184e7583ec671a5d9e43f0939c0MD52TEXTRedes_Neuronales_Evolutivas_Vargas_2022.pdf.txtRedes_Neuronales_Evolutivas_Vargas_2022.pdf.txtExtracted texttext/plain102200https://bibliotecadigital.usb.edu.co/bitstreams/1fe634d1-4de2-4bfb-9c4c-46e8170f343a/downloadcbc8ee0589199dfbb8a3310936fb12bcMD53THUMBNAILRedes_Neuronales_Evolutivas_Vargas_2022.pdf.jpgRedes_Neuronales_Evolutivas_Vargas_2022.pdf.jpgGenerated Thumbnailimage/jpeg6835https://bibliotecadigital.usb.edu.co/bitstreams/6bec0fda-ff29-45b9-9528-61a71992f1a7/download7910b8f3a08601bdc0f4f3f79f26f709MD5410819/11670oai:bibliotecadigital.usb.edu.co:10819/116702024-12-02 13:38:20.849https://bibliotecadigital.usb.edu.coRepositorio Institucional Universidad de San Buenaventura Colombiabdigital@metabiblioteca.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

Implementación de redes neuronales utilizando un esquema evolutivo orientado a problemas de clasificación

Publicaciones similares