1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Sinaloa
4. Instituto Tecnológico de Culiacán
5. Tesis de Maestría
6. Maestría en Ciencias de la Computación

Title:	Desarrollo e implementación de un AutoML en múltiples configuraciones de hardware para el análisis de ambientes distribuidos en tareas de clasificación y regresión
Authors:	Urias Favela, Oscar Francisco
metadata.dc.subject.other:	Aprendizaje máquina Aprendizaje profundo Auto Aprendizaje Máquina (AutoML) Bróker RabbitMQ Búsqueda de arquitectura neuronal (NAS) Clasificación de imágenes Inteligencia artificial Modelo Maestro-Esclavo Optimización bayesiana Optimización de hiperparámetros Regresión vectorial Sistemas distribuidos V
Issue Date:	2022
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Culiacán
Description:	En la actualidad el aprendizaje máquina es parte fundamental en el desarrollo tecnológico, debido al amplio campo de aplicaciones que tiene en la industria. Pero el proceso de modelos de aprendizaje máquina requiere de expertos capaces de producir algoritmos de alta complejidad, que sean iterativos, asá como una experiencia sólida en el ajuste de hiperparámetros. Como una solución a la falta de expertos en la creación de modelos de machine learning se desarrollaron nuevos sistemas llamados Automated Machine Learning (AutoML). Pero recientemente el gran aumento de datos, así como la falta de un análisis sobre las distintas configuraciones de hardware y como estos afectan al AutoML han hecho que estos sistemas requieran de un equipo de cómputo cada vez más costoso, lo que hace que no sean accesible para la organización e investigadores de países en desarrollo y sub desarrollados. En este proyecto se diseñaron múltiples configuraciones de hardware, las cuales puedan trabajar de manera distribuida para posteriormente implementar en cada una de ellas un sistema de AutoML para la realizaci´on de tareas de clasificación y regresión. Cada configuración cuenta con un modelo específico de GPU, las cuales son: RTX 3060ti, RTX 2080ti, GTX 1080 y Quadro M4000. Para el desarrollo del ambiente distribuido, se determinó que el modelo arquitectónico maestro-esclavo sería implementado, ya que permite dividir las cargas del AutoML entre múltiples computadoras. En modelo maestro-esclavo se designa una computadora como el nodo maestro, mientras que las otras trabajaran como nodo esclavo. Para realizar una conexión estable, se buscó implementar la comunicación mediante el bróker RabbitMQ, un sistema de gestión de mensajes el cual permite tener mejor control de los datos enviados entre nodos debido a su sistema de colas, organizando de mejor manera los canales de comunicación. Se utilizaron un total de cinco conjuntos de datos, de los cuales se utilizaron dos para tareas de clasificación, mientras que los otros tres fueron para tareas de regresión. Cada ambiente distribuido que se diseñó trabajó con diez experimentos por cada uno de los conjuntos de datos. Con base en los resultados obtenidos durante la experimentación, se realizó un análisis sobre el costo/beneficio que presentan cada ambiente distribuido. De esta manera se puede determinar cuál es la configuración de hardware óptima para la persona u organización que esté desarrollando su propio sistema de AutoML.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Maestría en Ciencias de la Computación

This item is protected by original copyright View License

This item is licensed under a Creative Commons License