2026-04-23T03:26:37Zhttps://riubu.ubu.es/oai/requestoai:riubu.ubu.es:10259/103092025-07-01T08:20:36Zcom_10259_2699col_10259_6582
Maudes Raedo, Jesús M.
Arnaiz González, Álvar
Ramos Pérez, Ismael
Universidad de Burgos. Departamento de Ingeniería Informática
2025-03-11T09:36:04Z
2025-03-11T09:36:04Z
2024
2024-09-11
http://hdl.handle.net/10259/10309
10.36443/10259/10309
En el aprendizaje automático, especialmente en biología y genómica, los conjuntos de datos son llamados anchos, Los datos anchos contienen una gran cantidad de características pero pocas instancias. Esta alta dimensionalidad dificulta el aprendizaje de los modelos de aprendizaje, causando sobreajuste y sesgos. Para abordar estos problemas, las técnicas de preprocesamiento de datos son fundamentales. Esta tesis explora diversas estrategias de preprocesamiento, como la selección y reducción de características, y el remuestreo para equilibrar las clases. Además de técnicas semi-supervisadas. A través de tres artículos, se comparan diferentes estrategias de preprocesado y, en el campo de la selección de características en aprendizaje semi-supervisado y se propone una nueva taxonomía de algoritmos. Los resultados obtenidos demuestran la importancia de combinar adecuadamente las técnicas de preprocesamiento para obtener modelos más robustos y generales. Esta investigación proporciona una guía práctica para abordar los desafíos planteados por los datos anchos en el aprendizaje automático.
The research carried out for the development of this doctoral thesis has been partially funded by the Junta de Castilla y León under project BU055P20 (JCyL/FEDER, UE), by the Spanish Ministry of Science and Innovation (projects PID2020-119894GB-I00 and TED 2021129485B-C43) and by “la Caixa“ Foundation, under agreement LCF/PR/PR18/51130007. The author has been recipient of the predoctoral grant by the Universidad de Burgos.
Doctorado en Ingeniería y Tecnologías Industrial, Informática y Civil
application/pdf
eng
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
http://creativecommons.org/licenses/by-nc-nd/4.0/
info:eu-repo/semantics/openAccess
Wide data
Feature selection
Feature reduction
Semi-supervised learning
Machine learning
Datos anchos
Selección de características
Reducción de características
Aprendizaje semisupervisado
Aprendizaje automático
Informática
Inteligencia artificial
Computer science
Artificial intelligence
1203.04 Inteligencia Artificial
Técnicas de preprocesamiento en datos anchos
Preprocessing techniques for wide data
info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
info:eu-repo/grantAgreement/Junta de Castilla y León//BU055P20//Métodos y Aplicaciones Industriales del Aprendizaje Semisupervisado/
info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica y Técnica y de Innovación 2017-2020/PID2020-119894GB-I00/ES/APRENDIZAJE AUTOMATICO CON DATOS ESCASAMENTE ETIQUETADOS PARA LA INDUSTRIA 4.0/
info:eu-repo/grantAgreement/AEI/Plan Estatal de Investigación Científica, Técnica y de Innovación 2021-2023/TED2021-129485B-C43/ES/Sistemas dinámicos inteligentes centrados en el usuario para la Prevención de Riesgos Laborales/
info:eu-repo/grantAgreement/Fundación Bancaria Caixa d'Estalvis i Pensions de Barcelona//LCF%2FPR%2FPR18%2F51130007//Fluoración Directa de Nitrocompuestos y Sales de Heteroaril Fosfonio: Síntesis de Fluorocompuestos/FluNitroPhos/