%0 Journal Article 
%A Sánchez Morales, Adrián
%T Máquinas de aprendizaje extremo multicapa : estudio y Evaluación de Resultados en la Segmentación automática de carótidas en imágenes ecográficas
%D 2014
%U http://hdl.handle.net/10317/4168
%X [SPA]El aprendizaje automático es una rama de la inteligencia artificial, y se puede definir como el conjunto de técnicas, métodos y sus implementaciones algorítmicas capaces de aprender y mejorar su eficacia a través de la experiencia. En la mayoría de los casos se busca realizar ese aprendizaje a partir de información no estructurada y sin supervisión humana. En las últimas décadas, el uso de técnicas de aprendizaje automático en campos tan diversos como la informática, la estadística, la robótica, la medicina, etc. se ha visto incrementado de manera extraordinaria. En estas aplicaciones la necesidad de estructuras complejas es cada vez más frecuente debido a la cantidad de datos que deben tratarse. De ahí el desarrollo de lo que se llama Aprendizaje Profundo (Deep Learning).
Ha sido muy estudiado el hecho de que los Auto-Codificadores (Auto Encoders, AE) juegan un papel fundamental en el aprendizaje no supervisado y en las arquitecturas de redes de aprendizaje profundo. Este trabajo introduce los Auto-Codificadores basados en las Máquinas de Aprendizaje Extremo (Extreme Learning Machines, ELM), que son capaces de aprender las características de representación de los datos de entrada usando sus valores singulares, y que son usados como base para la construcción de Máquinas de Aprendizaje Extremo Multicapa (Multi Layer Extreme Learning Machines, ML-ELM).
A lo largo del trabajo se podrá comprobar cómo el funcionamiento de los auto-codificadores mejora el de un método tradicionalmente usado como es el de Descomposición en Valores Singulares (SVD). A su vez, se verá cómo las redes ML-ELM obtienen mejores resultados en problemas de clasificación que las simples ELMs, trabajando con la base de datos MNIST. Finalmente, se usará todo este conocimiento para el procesamiento de imágenes médicas con el objetivo de medir el grosor íntima-media carotídeo y comprobar que todos los resultados obtenidos anteriormente son consistentes en aplicaciones más complejas.[ENG]Machine learning is a subfield of artificial intelligence and it can be defined as the set of techniques, methods and algorithms which are capable of learn and improve its efficiency throughout experience. The aim is to learn from data without structure and, in most cases, without human supervision. During the last decades, the use of machine learning techniques in fields as wide as informatics, statistics, robotics, medicine, etc. have been increasing incredibly. Due to the huge amount of data that must be treated, there has been an increase in the need of architectures more complex for these applications. Hence, nowadays it is being developed what is called Deep Learning.
It is known Auto Encoders play a fundamental role in unsupervised learning and in deep architectures. This Final Project introduces Extreme Learning Machine based Auto Encoder (ELM-AE), which learns feature representations using singular values and is used as the basic building block for Multi-Layer Extreme Learning Machine (ML-ELM).
Throughout this work will be proved how the Auto Encoders performance improves the classical method called Singular Value Decomposition (SVD). Then, will be shown ML-ELMs get better results than a simple structure such as ELM in classification problems, for MNIST dataset. Finally, all this knowledge will be used for the medical image processing in order to measure the carotid intima-media thickness (IMT) and check all the results obtained above are consistent in more complex applications.
%K Teoría de la Señal y las Comunicaciones
%K Aprendizaje profundo
%K Deep learning
%K Auto-codificadores
%K Auto encoders
%K Imágenes escaneadas
%K Multicapa
%K Carótidas
%K Máquinas de aprendizaje extremo
%~ GOEDOC, SUB GOETTINGEN