Ver Estadísticas

Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

  1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
  2. Tesis de Posgrado
  3. Baja California
  4. Instituto Tecnológico de Tijuana
  5. TESIS DE MAESTRÍA
  6. MAESTRÍA EN CIENCIAS DE LA INGENIERÍA

Please use this identifier to cite or link to this item: https://rinacional.tecnm.mx/jspui/handle/TecNM/6646
Full metadata record
DC FieldValueLanguage
dc.contributor.authorNATION MORALES, JOEL LEE%951303-
dc.creatorNATION MORALES, JOEL LEE%951303-
dc.date.accessioned2023-12-13T17:44:06Z-
dc.date.available2023-12-13T17:44:06Z-
dc.date.issued2021-12-31-
dc.identifier.urihttps://rinacional.tecnm.mx/jspui/handle/TecNM/6646-
dc.descriptiones el proceso mediante el cual se utiliza el conocimiento obtenido por un modelo generado mediante aprendizaje m´aquina en un problema (problema donador) para mejorar o simplificar el proceso de aprendizaje en un segundo problema (problema receptor). Si bien TL ha logrado resultados prometedores en Deep Learning, apenas se ha estudiado en algoritmos evolutivos y programaci´on gen´etica (GP, por sus siglas en ingl´es de Genetic Programming). Una dificultad que limita la utilizaci´on de TL en GP o alg´un otro m´etodo evolutivo es la dificultad para predecir cuando tendr´a ´exito, esto sigue siendo una pregunta abierta. Este trabajo presenta un primer intento de determinar cu´ando dos problemas podr´ıan ser compatibles para que TL tenga ´exito entre ellos. Esto se hace analizando la estructura del espacio de caracter´ısticas de cada problema, extra´ıdo por el m´etodo DeepInsight. Se utilizan resultados previos en TL para tareas de clasificaci´on con GP, de modo que cada posible par de problemas se categorizados en uno de dos grupos. El primer grupo son problemas compatibles con TL que incluye todos los pares de problemas en los que TL tuvo mucho ´exito, y el segundo son los problemas de TL no compatibles en los que TL tuvo un desempe˜no inferior al de los m´etodos de referencia. Los resultados muestran que se pudieron rechazar las hip´otesis propuestas con un rango de confianza de 94;50% para H01 y 96;27% para H02, esto significa que, es posible distinguir entre diferentes grupos de pares de problemas alineando sus respectivos espacios de caracter´ısticas representativos y calcular una distancia entre ellas.es_MX
dc.language.isospaes_MX
dc.publisherTecnológico Nacional de Méxicoes_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subjectinfo:eu-repo/classification/cti/7es_MX
dc.subject.otherClasificación, Programación genética, Aprendizaje Transferido, DeepInsight, Inducción constructivaes_MX
dc.titleANÁLISIS DE APRENDIZAJE TRANSFERIDO EN UN SISTEMA DE PROGRAMACIÓN GENÉTICAes_MX
dc.typeinfo:eu-repo/semantics/masterThesises_MX
dc.contributor.directorTRUJILLO REYES, LEONARDO%44061-
dc.contributor.directorMUÑOZ DELGADO, LUIS-
dc.folioMCI-07es_MX
dc.rights.accessinfo:eu-repo/semantics/openAccesses_MX
dc.publisher.tecnmInstituto Tecnológico de Tijuanaes_MX
Appears in Collections:MAESTRÍA EN CIENCIAS DE LA INGENIERÍA

Files in This Item:
File Description SizeFormat 
Tesis Joel Lee Nation Morales.pdf2.31 MBAdobe PDFView/Open
Cesión de derechos Joel Lee Nation Morales.pdf
  Restricted Access		145.9 kBAdobe PDFView/Open Request a copy


This item is protected by original copyright

View License
Show simple item record


This item is licensed under a Creative Commons License Creative Commons