%0 Journal Article 
%A Martínez Álvarez-Castellanos, Rosa
%T Analysis of the Sparse Autoencoders machines as feature extractors

%D 2017
%U http://hdl.handle.net/10317/6591
%X [SPA]Las redes neuronales son un sistema de procesado de la información que
hace uso de algunos de los principios que organizan la estructura del cerebro
humano, de ahí la procedencia de su nombre. Últimamente, se ha dado una especial
atención a máquinas de aprendizaje no supervisadas cómo herramienta
útil tanto para el pre-procesado de los datos, como para el diseño y entrenamiento
de las redes neuronales más clásicas. Una de las máquinas que más relevancia
precisa son los Perceptrones Multicapa, también conocidos como MLP
(Multilayer Perceptron).
Los Autoencoders son máquinas no supervisadas que permiten una mejor
representación de los datos de entrada mediante su transformación a espacios
intermedios con el de salida. En este trabajo se analizará una variante de los
Autoencoders, como son los denominados “Sparse Autoencoders” que permiten
la extracción de las características más relevantes de los datos de entrada,
para la tarea asociada al aprendizaje no supervisado.
Este proyecto tiene como objetivo principal el análisis de las máquinas “Sparse
Autoencoders” como extractores de características y su aplicación a un conjunto
de datos ya conocido, como es el conjunto de datos MNIST. Asimismo, en
este proyecto se realiza una evaluación del valor determinante que tienen las
características extraídas mediante el método implementado sobre las máquinas
Autoencoders. Los algoritmos utilizados en este proyecto se desarrollarán en el
software de programación Matlab. La estructura que presenta el trabajo desarrollado se divide en una primera
introducción a las bases sobre las que se fundamentan las redes neuronales artificiales,
así como el origen de las mismas. Seguidamente, se explica la estructura
y funcionamiento de las máquinas que han sido utilizadas y que conforman el
pilar del trabajo desarrollado. Posteriormente se detalla el procedimiento seguido
para lograr la extracción de características de las máquinas Sparse Autoencoders
y el análisis que se realiza sobre las mismas, presentando los resultados
que han sido obtenidos en cada una de las simulaciones realizadas. Finalmente,
se exponen las conclusiones que han sido extraídas a partir del trabajo desarrollado,
así como las líneas futuras para la mejora del método implementado. [ENG]Neural networks are a system of information processing which makes use
of some of the principles that organize the human brain’s structure, of there the
origin of its name. In recent years, special attention has been paid to unsupervised
machine learning as a useful tool both for pre-processing of data and for
the design and training of the most classical neural networks. Multilayer Perceptron
is one of the most relevant unsupervised learning machines.
Autoencoders are a class of unsupervised learning that allow better representation
of the input data by transforming them into intermediate spaces with
the output data. In this paper, we analyzed a variant of Autoencoders, such as
Sparse Autoencoders, which allow the extraction of the most relevant characteristics
of the input data, for the associated task with unsupervised learning.
The main goal of this paper is the analysis of the Sparse Autoencoders as
extractors of characteristics and its application on a well known dataset , as
is the MNIST dataset. Furthermore, we realized an evaluation of the determinant
value extracted from the characteristics by the implemented method on
Autoencoders. The algorithms used in this project were developed in Matlab
programming software. In this paper, we described the principles of artificial neural networks, as
well as its origin. Afterwards, we present the structure and operation of the
machines that form the basis of this master thesis. Then, the procedure followed
to obtain the extraction of the characteristics of Sparse Autoencoders and
the analysis carried out on them is presented. Moreover, we present the results
obtained in each simulation. Finally, the conclusions drawn of this work and
future lines for the improvement of the implemented method are presented.
%K Teoría de la Señal y las Comunicaciones
%K Algoritmos
%K Algorithms
%K Telecommunications
%K Telecomunicaciones
%K 1206.01 Construcción de Algoritmos
%K 3325 Tecnología de las Telecomunicaciones
%~ GOEDOC, SUB GOETTINGEN