Universidad de Burgos RIUBU Principal Default Universidad de Burgos RIUBU Principal Default
  • español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
Universidad de Burgos RIUBU Principal Default
  • Ayuda
  • Contacto
  • Sugerencias
  • Acceso abierto
    • Archivar en RIUBU
    • Acuerdos editoriales para la publicación en acceso abierto
    • Controla tus derechos, facilita el acceso abierto
    • Sobre el acceso abierto y la UBU
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Listar

    Todo RIUBUComunidadesFechaAutor / DirectorTítuloMateria / AsignaturaEsta colecciónFechaAutor / DirectorTítuloMateria / Asignatura

    Mi cuenta

    AccederRegistro

    Estadísticas

    Ver Estadísticas de uso

    Compartir

    Ver ítem 
    •   RIUBU Principal
    • Tesis Doctorales
    • Tesis Ingeniería Informática
    • Ver ítem
    •   RIUBU Principal
    • Tesis Doctorales
    • Tesis Ingeniería Informática
    • Ver ítem

    Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10259/10309

    Título
    Técnicas de preprocesamiento en datos anchos
    Otro título
    Preprocessing techniques for wide data
    Autor
    Ramos Pérez, IsmaelAutoridad UBU Orcid
    Director
    Maudes Raedo, Jesús M.Autoridad UBU Orcid
    Arnaiz González, ÁlvarAutoridad UBU Orcid
    Entidad
    Universidad de Burgos. Departamento de Ingeniería Informática
    Fecha de publicación
    2024
    Fecha de lectura/defensa
    2024-09-11
    DOI
    10.36443/10259/10309
    Resumen
    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.
    Palabras clave
    Wide data
    Feature selection
    Feature reduction
    Semi-supervised learning
    Machine learning
    Datos anchos
    Selección de características
    Reducción de características
    Aprendizaje semisupervisado
    Aprendizaje automático
    Materia
    Informática
    Computer science
    Inteligencia artificial
    Artificial intelligence
    URI
    http://hdl.handle.net/10259/10309
    Aparece en las colecciones
    • Tesis Ingeniería Informática
    Attribution-NonCommercial-NoDerivatives 4.0 Internacional
    Documento(s) sujeto(s) a una licencia Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional
    Ficheros en este ítem
    Nombre:
    Ramos_Perez_Ismael-Tesis.pdf
    Tamaño:
    2.148Mb
    Formato:
    Adobe PDF
    Thumbnail
    Visualizar/Abrir

    Métricas

    Citas

    Academic Search
    Ver estadísticas de uso

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis
    Mostrar el registro completo del ítem