Benchmark for machine learning frameworks and libraries on iOS
Debido al incremento en el poder de procesamiento que los dispositivos móviles han tenido en los últimos años, la posibilidad de implementar y usar modelos de Machine Learning y deep learning en dispositivos de mano ha incrementado. Esto ha brindado a los desarrolladores de aplicaciones móviles, la...
- Autores:
-
Pulido Gil, Juan Camilo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/51483
- Acceso en línea:
- http://hdl.handle.net/1992/51483
- Palabra clave:
- Aprendizaje automático (Inteligencia artificial)
Marcos de software
Aplicaciones móviles
iOS (Recurso electrónico)
Ingeniería
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/4.0/
| id |
UNIANDES2_2042a87260ec6156ccb4309e6e1fbaa3 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/51483 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Benchmark for machine learning frameworks and libraries on iOS |
| title |
Benchmark for machine learning frameworks and libraries on iOS |
| spellingShingle |
Benchmark for machine learning frameworks and libraries on iOS Aprendizaje automático (Inteligencia artificial) Marcos de software Aplicaciones móviles iOS (Recurso electrónico) Ingeniería |
| title_short |
Benchmark for machine learning frameworks and libraries on iOS |
| title_full |
Benchmark for machine learning frameworks and libraries on iOS |
| title_fullStr |
Benchmark for machine learning frameworks and libraries on iOS |
| title_full_unstemmed |
Benchmark for machine learning frameworks and libraries on iOS |
| title_sort |
Benchmark for machine learning frameworks and libraries on iOS |
| dc.creator.fl_str_mv |
Pulido Gil, Juan Camilo |
| dc.contributor.advisor.none.fl_str_mv |
Linares Vásquez, Mario |
| dc.contributor.author.none.fl_str_mv |
Pulido Gil, Juan Camilo |
| dc.subject.armarc.none.fl_str_mv |
Aprendizaje automático (Inteligencia artificial) Marcos de software Aplicaciones móviles iOS (Recurso electrónico) |
| topic |
Aprendizaje automático (Inteligencia artificial) Marcos de software Aplicaciones móviles iOS (Recurso electrónico) Ingeniería |
| dc.subject.themes.none.fl_str_mv |
Ingeniería |
| description |
Debido al incremento en el poder de procesamiento que los dispositivos móviles han tenido en los últimos años, la posibilidad de implementar y usar modelos de Machine Learning y deep learning en dispositivos de mano ha incrementado. Esto ha brindado a los desarrolladores de aplicaciones móviles, la oportunidad de integrar el poder del Machine Learning y el deep learning con sus aplicaciones, consiguiendo un nuevo nivel de experiencia de usuario. A pesar de que esto representa un gran paso en términos del desarrollo móvil, nuevos problemas deben ser tenidos en cuenta. Hay muchas librarías y frameworks que ofrecen la posibilidad de entrenar y generar modelos, pero ¿Qué herramienta es la más eficiente en términos de los requerimientos de las aplicaciones? ¿Escoger una herramienta representa tener que sacrificar algo en términos de algún atributo de calidad? Actualmente no hay ninguna herramienta o benchmark que ofrezca la posibilidad de probar las diferentes librerías o frameworks para escoger la mejor opción del mercado. En esta tesis, se propone una aplicación especializada para iOS, teniendo en cuenta los atributos de calidad relevantes para el contexto del proyecto, estos son: Tiempo para entrenar el modelo, tiempo que se toma el modelo para clasificar un elemento, el espacio en disco ocupado por el modelo y la precisión obtenida por el modelo. Adicionalmente, un primer acercamiento a una comparación entre diferentes modelos entrenados con varios frameworks y librerías es realizado, permitiendo así, llegar a unas conclusiones iniciales acerca de los sacrificios necesarios dependiendo de los requerimientos de las aplicaciones. |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-08-10T18:27:08Z |
| dc.date.available.none.fl_str_mv |
2021-08-10T18:27:08Z |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| 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.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/51483 |
| dc.identifier.pdf.none.fl_str_mv |
23120.pdf |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/51483 |
| identifier_str_mv |
23120.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
eng |
| language |
eng |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| 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 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
37 hojas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería de Sistemas y Computación |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/01099135-56f8-45e9-8dfb-ab979534f19d/download https://repositorio.uniandes.edu.co/bitstreams/f94821cb-38b9-44bd-873e-4ca3736eeedd/download https://repositorio.uniandes.edu.co/bitstreams/497307c3-5bb0-4868-a222-aa09052abb68/download |
| bitstream.checksum.fl_str_mv |
c5ec16e378f7063eafddf621fe06dfbc 0f87c2295c401bb9cfadc76ab9b31192 a16ddbead105b9e068496471d5245d52 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1808390260115111936 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Linares Vásquez, Mariob7d30f76-a0a9-4002-a462-7e59ba954cf2400Pulido Gil, Juan Camilo6f5db5c3-d0e1-4203-ace0-abb36834b44b5002021-08-10T18:27:08Z2021-08-10T18:27:08Z2021http://hdl.handle.net/1992/5148323120.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Debido al incremento en el poder de procesamiento que los dispositivos móviles han tenido en los últimos años, la posibilidad de implementar y usar modelos de Machine Learning y deep learning en dispositivos de mano ha incrementado. Esto ha brindado a los desarrolladores de aplicaciones móviles, la oportunidad de integrar el poder del Machine Learning y el deep learning con sus aplicaciones, consiguiendo un nuevo nivel de experiencia de usuario. A pesar de que esto representa un gran paso en términos del desarrollo móvil, nuevos problemas deben ser tenidos en cuenta. Hay muchas librarías y frameworks que ofrecen la posibilidad de entrenar y generar modelos, pero ¿Qué herramienta es la más eficiente en términos de los requerimientos de las aplicaciones? ¿Escoger una herramienta representa tener que sacrificar algo en términos de algún atributo de calidad? Actualmente no hay ninguna herramienta o benchmark que ofrezca la posibilidad de probar las diferentes librerías o frameworks para escoger la mejor opción del mercado. En esta tesis, se propone una aplicación especializada para iOS, teniendo en cuenta los atributos de calidad relevantes para el contexto del proyecto, estos son: Tiempo para entrenar el modelo, tiempo que se toma el modelo para clasificar un elemento, el espacio en disco ocupado por el modelo y la precisión obtenida por el modelo. Adicionalmente, un primer acercamiento a una comparación entre diferentes modelos entrenados con varios frameworks y librerías es realizado, permitiendo así, llegar a unas conclusiones iniciales acerca de los sacrificios necesarios dependiendo de los requerimientos de las aplicaciones.Due to the increasing processing power that mobile devices have had in the last years, the possibility of implementing and using machine learning and deep learning models on handheld devices has increased. This has provided mobile application developers the opportunity to integrate the power of machine learning and deep learning to their applications, bringing a whole new level to the user experience. Although this represents a big step on mobile development, new problems have to be taken into account. There are many frameworks and libraries that offer the possibility to train and generate models, but which tool is the most efficient and more useful in terms of the application's requirements? Does choosing between libraries and frameworks represent a trade-off of some quality attributes? At present, there is no way of knowing this on iOS devices, there is no tool or benchmark which offers the possibility of testing the available frameworks or libraries to choose the best option in the market. In this thesis, the proposal for an specialized iOS benchmark application is made, taking into account relevant quality attributes for the project's context, such as: time to train the model, time to classify an element, space on disk occupied by the model and accuracy obtained by the model. Additionally, a first approach to a comparison between some models trained using different machine learning and deep learning frameworks and libraries is made, allowing to give some initial conclusions about the trade-offs required depending on an application's demands.Ingeniero de Sistemas y ComputaciónPregrado37 hojasapplication/pdfengUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y ComputaciónBenchmark for machine learning frameworks and libraries on iOSTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPAprendizaje automático (Inteligencia artificial)Marcos de softwareAplicaciones móvilesiOS (Recurso electrónico)Ingeniería201633249PublicationTEXT23120.pdf.txt23120.pdf.txtExtracted texttext/plain40033https://repositorio.uniandes.edu.co/bitstreams/01099135-56f8-45e9-8dfb-ab979534f19d/downloadc5ec16e378f7063eafddf621fe06dfbcMD54ORIGINAL23120.pdfapplication/pdf4583855https://repositorio.uniandes.edu.co/bitstreams/f94821cb-38b9-44bd-873e-4ca3736eeedd/download0f87c2295c401bb9cfadc76ab9b31192MD51THUMBNAIL23120.pdf.jpg23120.pdf.jpgIM Thumbnailimage/jpeg6758https://repositorio.uniandes.edu.co/bitstreams/497307c3-5bb0-4868-a222-aa09052abb68/downloada16ddbead105b9e068496471d5245d52MD551992/51483oai:repositorio.uniandes.edu.co:1992/514832023-10-10 16:37:10.35http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |