Mostrar el registro sencillo del ítem
dc.contributor.advisor | Flich Cardo, José | es_ES |
dc.contributor.advisor | López Rodríguez, Pedro Juan | es_ES |
dc.contributor.author | Díaz Bou, Pere | es_ES |
dc.date.accessioned | 2021-09-28T07:48:30Z | |
dc.date.available | 2021-09-28T07:48:30Z | |
dc.date.created | 2021-07-20 | |
dc.date.issued | 2021-09-28 | es_ES |
dc.identifier.uri | http://hdl.handle.net/10251/173384 | |
dc.description.abstract | [ES] La investigación en inteligencia artificial está creciendo a un ritmo constante y gracias a ello, se están resolviendo problemas que hasta hace poco parecían imposibles. Las Redes Neuronales son unos de los algoritmos mas usados para resolver estos problemas, y existen mas de un tipo de Red Neuronal. Cada una con cierta utilidad y complejidad. En este trabajo realizamos un análisis de las Redes Recurrentes. En concreto, analizamos su estructura y su funcionamiento. Posteriormente, implementaremos las Redes Recurrentes en HELENNA, una plataforma de entrenamiento e inferencia de Redes Neuronales. Para acabar, realizamos una evaluación funcional de la Red Recurrente para validar la correcta implementación. La implementación de la Red Neuronal Recurrentes será capaz de resolver problemas básicos como la predicción de dígitos escritos a mano con un porcentaje de precisión alto. | es_ES |
dc.description.abstract | [EN] Research in artificial intelligence is growing at incredible rates which allowed us to solve problems that seemed impossible before. One of the best known algorithms to solve artificial intelligence problems is neural networks. There are different types of neural networks, with different complexities and applications. Moreover, we will implement Recurrent Neural Networks in HELENNA, a training and inference plataform for Neural Networks. At last, we will evaluate the functional aspect of the Recurrent Neural Network to validate the correctness of it. Our recurrent neural network implementation will be able to predict with high accuracy handwritten digits. | es_ES |
dc.description.abstract | [CA] La recerca en intel·ligència artificial està creixent constantment i gràcies a això, ens ha permet resoldre problemes que abans pareixien impossibles. Les Xarxes Neuronals son uns dels algorismes mes usats per a resoldre aquests problemes. Hi ha mes de un tipus de Xarxa Neuronal, cada una usada per a diferents aplicacions i, amb diferents complexitats. A més a més, implementarem les Xarxes Recurrents en HELENNA, una plataforma d’entrenament i inferència de Xarxes Neuronals. Per finalitzar, farem una avaluació funcional de la Xarxa Recurrent per validar la correcta implementació. La implementació de la Xarxa Neuronal recurrent será capaç de resoldre problemes senzills com la predicció de dígits escrits a mà amb un alt nivell de precisió. | es_ES |
dc.format.extent | 85 | es_ES |
dc.language | Español | es_ES |
dc.publisher | Universitat Politècnica de València | es_ES |
dc.rights | Reconocimiento (by) | es_ES |
dc.subject | Redes neuronales recurrentes | es_ES |
dc.subject | Inteligencia artificial | es_ES |
dc.subject | Plataforma de entrenamiento | es_ES |
dc.subject | Recurrent Neural Networks | es_ES |
dc.subject | Artificial Intelligence | es_ES |
dc.subject | Training Plataform | es_ES |
dc.subject.classification | ARQUITECTURA Y TECNOLOGIA DE COMPUTADORES | es_ES |
dc.subject.other | Grado en Ingeniería Informática-Grau en Enginyeria Informàtica | es_ES |
dc.title | Desarrollo de Soporte de Redes Recurrentes en Plataforma de Entrenamiento | es_ES |
dc.type | Proyecto/Trabajo fin de carrera/grado | es_ES |
dc.rights.accessRights | Abierto | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Departamento de Informática de Sistemas y Computadores - Departament d'Informàtica de Sistemes i Computadors | es_ES |
dc.contributor.affiliation | Universitat Politècnica de València. Escola Tècnica Superior d'Enginyeria Informàtica | es_ES |
dc.description.bibliographicCitation | Díaz Bou, P. (2021). Desarrollo de Soporte de Redes Recurrentes en Plataforma de Entrenamiento. Universitat Politècnica de València. http://hdl.handle.net/10251/173384 | es_ES |
dc.description.accrualMethod | TFGM | es_ES |
dc.relation.pasarela | TFGM\142402 | es_ES |