RT info:eu-repo/semantics/doctoralThesis
T1 Optimization of industrial processes through semi-supervised learning
A1 Ramírez Sanz, José Miguel
A2 Universidad de Burgos. Departamento de Ingeniería Informática
K1 Aprendizaje semisupervisado
K1 Procesos industriales
K1 Detección y diagnosis de fallos
K1 Selección de método de transporte
K1 Aprendizaje con multiclasificadores
K1 Informática
K1 Computer science
K1 Inteligencia artificial
K1 Artificial intelligence
K1 1203.04 Inteligencia Artificial
K1 1206.01 Construcción de Algoritmos
K1 1209.03 Análisis de Datos
K1 3310.03 Procesos industriales
AB Enlas últimas décadas, el aprendizaje automático ha adquirido una gran popularidad, que ha ayudado a impulsar su ya creciente desarrollo. Dentro del aprendizaje automático, una nueva técnica llamada aprendizaje semisupervisado es capaz de aprovechar tanto los datos etiquetados comolos noetiquetados. Esto permite desarrollar modelos más precisos y con mejor capacidad de generalización gracias a la información que son capaces de extraer de los datos. La industria ha sido el motor del progreso humano, transformando recursos en bienes y productos de alta complejidad mediante la innovación. Mediante el desarrollo tecnológico y económico, la industria ha permitido que la sociedad avance hacia nuevos horizontes de productividad y calidad de vida. Esta tesis explora aplicaciones del aprendizaje semisupervisado en problemas industriales, con el objetivo de comprender su estado del arte, investigar nuevas metodologías, diseñar modelos y aplicarlos a casos reales en la industria. Las aportaciones más destacables de esta tesis doctoral han sido revisar el estado del arte de la aplicación de métodos de aprendizaje semisupervisado aladetección ydiagnóstico defallos industriales. Se ha investigado y propuesto una nueva taxonomía para una nueva técnica desarrollada a partir del aprendizaje semisupervisado: el aprendizaje semisupervisado seguro. Además, se ha realizado el desarrollo de una versión semisupervisada del método más conocido del grupo de investigación, el Rotation Forest. También se ha elaborado el desarrollo y la aplicación de un método interpretable de selección de características basado en árboles para el problema de selección del método de transporte. Por último, se han aplicado y comparado modelos supervisados y semisupervisados al problema de selección del método de transporte. En resumen, esta tesis doctoral proporciona una contribución significativa al campo del aprendizaje semisupervisado aplicado a la industria, proponiendo nuevas metodologías y modelos que optimizan problemas industriales, validandolos en casos de estudio reales.
YR 2024
FD 2024
LK http://hdl.handle.net/10259/10312
UL http://hdl.handle.net/10259/10312
LA eng
NO This thesis was supported by the Junta de Castilla y León under project BUR055P20 (JCyL/FEDER, UE), the Ministry of Science and Innovation of Spain under the projects PID2020-119894GB-I00, TED2021129485B-C43 and PID2023-150694OA-I00, co-financed through European Union FEDERfunds. It also was supported through the Consejería de Educación of the Junta de Castilla y León and the European Social Fund through a pre-doctoral grant (EDU/875/2021).
DS Repositorio Institucional de la Universidad de Burgos
RD 24-abr-2025