Sintonizador de hiperparámetros de redes neuronales usando computación natural (PSO: Optimización de Enjambre de Partículas)
Trabajo de grado - Pregrado
2024
Escuela Colombiana de Ingeniería
Sintonización de hiperparámetros
Hyperparameter tuning
Redes neuronales convolucionales (CNN)
Convolutional neural networks (CNN)
Optimización de enjambre de partículas (PSO)
Particle swarm optimization (PSO)
Computación natural
Natural computing
Reconocimiento facial
Facial recognition
Sintonización automática
Automatic tuning
Sintonización manual
Manual tuning
Framework de sintonización
Tuning framework
Algoritmos bioinspirados
Bioinspired algorithms
Exploración de espacios de búsqueda
Search space exploration
Sintonización de hiperparámetros
Hyperparameter tuning
Técnicas de aprendizaje profundo
Deep learning techniques
Heurísticos
Heuristics
Hyperparameter tuning
Redes neuronales convolucionales (CNN)
Convolutional neural networks (CNN)
Optimización de enjambre de partículas (PSO)
Particle swarm optimization (PSO)
Computación natural
Natural computing
Reconocimiento facial
Facial recognition
Sintonización automática
Automatic tuning
Sintonización manual
Manual tuning
Framework de sintonización
Tuning framework
Algoritmos bioinspirados
Bioinspired algorithms
Exploración de espacios de búsqueda
Search space exploration
Sintonización de hiperparámetros
Hyperparameter tuning
Técnicas de aprendizaje profundo
Deep learning techniques
Heurísticos
Heuristics
El proyecto titulado "Sintonizador de hiperparámetros de redes neuronales usando computación natural (PSO: Optimización de enjambre de partículas)" tiene como objetivo desarrollar una solución automatizada para la sintonización de hiperparámetros en modelos de redes neuronales convolucionales (CNN), facilitando la obtención de resultados óptimos sin necesidad de una alta experiencia en el área. Utilizando el algoritmo de optimización por enjambre de partículas (PSO), se propone un framework que ha demostrado mejoras significativas en datasets como MNIST y CIFAR10 en comparación con otros sintonizadores existentes. Además, se ha desarrollado un modelo de reconocimiento facial basado en la arquitectura VGG16, evaluando la eficacia de la sintonización manual frente a la automática, alcanzando mejoras notables en la precisión del modelo. Este proyecto presenta una contribución significativa en la automatización de la sintonización de hiperparámetros, facilitando su aplicación en problemas complejos como el reconocimiento facial. The project titled "Sintonizador de hiperparámetros de redes neuronales usando computación natural (PSO: Optimización de enjambre de partículas)" aims to develop an automated solution for hyperparameter tuning in convolutional neural network (CNN) models, enabling optimal results without requiring extensive expertise in the field. By employing the particle swarm optimization (PSO) algorithm, the proposed framework has shown significant improvements in datasets such as MNIST and CIFAR10 compared to existing tuners. Additionally, a facial recognition model based on the VGG16 architecture was developed, evaluating the effectiveness of manual versus automatic tuning, achieving notable improvements in model accuracy. This project makes a significant contribution to the automation of hyperparameter tuning, facilitating its application in complex problems like facial recognition.
Descripción:
Archivo principal, libro del proyecto
Título: Sintonizador de hiperparámetros de redes neuronales usando computación natural.pdf
Tamaño: 3.463Mb
PDFLEER EN FLIP
Descripción: Archivo secundario, autorización de publicación del proyecto
Título: AutorizaciónPublicación_TrabajoDirigido_SantiagoRocha_SebastianRojas CSC.pdf
Tamaño: 1.185Mb
PDF
Título: Sintonizador de hiperparámetros de redes neuronales usando computación natural.pdf
Tamaño: 3.463Mb
PDFLEER EN FLIP
Descripción: Archivo secundario, autorización de publicación del proyecto
Título: AutorizaciónPublicación_TrabajoDirigido_SantiagoRocha_SebastianRojas CSC.pdf
Tamaño: 1.185Mb