Learning bayesian networks with large-scale problems and computing paradigms
- Autores: Jacinto Arias
- Directores de la Tesis: José Antonio Gámez Martín (codir. tes.)
, José Miguel Puerta Callejón (codir. tes.) , Luis de la Ossa (tut. tes.) - Lectura: En la Universidad de Castilla-La Mancha ( España ) en 2019
- Idioma: español
- Tribunal Calificador de la Tesis: Emilio Soria Olivas (presid.) , Andrés Ramón Masegosa Arredondo (secret.) , José Manuel Peña Palomar (voc.)
- Texto completo no disponible (Saber más ...)
- Resumen
En el Aprendizaje Automático es fundamental diseñar técnicas escalables que puedan enfrentarse a problemas cada vez más complejos. En el contexto tecnológico actual, uno de los desafíos más importantes lo encontramos en el volumen de información disponible. Es por ello que han surgido nuevos paradigmas y arquitecturas de computación para abordar específicamente los problemas de grandes dimensiones que se han implantado a un rítmo muy rápido tanto en la ciencia como en la industria.
Las Redes Bayesianas son uno de los algoritmos de codificación de la información y de inferencia más utilizados durante las últimas décadas. Existe una gran cantidad de literatura en cuanto a mejorar el aprendizaje de dichos modelos para hacerlo más escalable. En esta tésis doctoral identificamos los patrones principales que pueden utilizarse para combinar estas dos tecnologías, con un enfoque siempre aplicado a problemas reales.
Los resultados de esta tesis demuestran empíricamente la potencia de estos nuevos algoritmos y proporcionan una guía de aplicación para futuros usos científicos industriales, proporcionando asimismo software que permite reproducir y extender dichos resultados.
