Algoritmos de Deep Learning utilizando Tensorflow para el Tratamiento de Datos de Producción Científica
DOI:
https://doi.org/10.55204/trc.v3i2.e226Palabras clave:
Algoritmos, Redes Neuronales, Aprendizaje Profundo, TensorFlow, KDDResumen
Introducción: La implementación de Inteligencia Artificial, Redes Neuronales y Algoritmos de Deep Learning apoyados en TensorFlow en la actualidad se encuentra en constante evolución ya que han abierto nuevas rutas para el tratamiento y análisis de grandes cantidades de datos en sistemas alojados en la web principalmente.
Objetivo: La presente investigación tiene como finalidad, mejorar el nivel de toma de decisiones no supervisados en la plataforma científica Ecuciencia, la misma que se encuentra alojado en los servidores de la Universidad Técnica de Cotopaxi.
Método: Los datos que se tomarán como referencia para los análisis introducidos en los algoritmos, será los referentes a Líneas y Sublíneas de Investigación de acuerdo a la Universidad Técnica de Cotopaxi.
Resultados: Los algoritmos de aprendizaje profundo se encargan de entrenar y agrupar por similitud una data de entrada sin supervisión denominado aprendizaje automático, los mismos que modelan abstracciones de alto nivel utilizando principalmente datos expresados en forma matricial o tensores.
Conclusión: El impacto de la implementación de algoritmos de aprendizaje profundo apoyados en TensorFlow en el sistema Ecuciencia, será muy importante, puesto que, gracias a este análisis, la plataforma científica podrá ser capaz de dar una predicción más acertada de las clasificaciones de Líneas y Sublíneas de investigación.
Descargas
Citas
Abadi, M. (2016). TensorFlow: A System for Large-Scale Machine Learning TensorFlow: A system for large-scale machine learning. USENIX Symposium on Operating Systems Design and Implementation (OSDI ’16), 265-284.
Abidabi, M., Barham, P., Chen, J., & Chen, Z. (2016). TensorFlow: A system for large-scale machine learning. USENIX.
Amaya, J. (2015). Toma de decisiones gerenciales: métodos cuantitativos para la administración. Ecoe ediciones.
Ayala Mora, E. (2015). La investigación científica en las universidades ecuatorianas. Anales. Rev. la Univ. Cuenca, 3(57), 31-72.
Brito Sarasa, R., Rosete Suárez, A., & Acosta Sánchez, R. (2018). Desarrollo de un proceso de KDD en el ámbito docente: Preparación de los datos. CUAJAE, 2-7.
Fernández Díaz, M. P., Martínez Bernal, S., Rivalta Bermúdez, C., Díaz Ríos, M., & Jiménez Santander, G. (2013). Repositorio de búsquedas y recuperación de la información científica en ciencias de la salud. EDUMECENTRO, 5(2), 198-211.
García, A. M., & Pérez, L. S. (2018). Optimizing Text Classification through Feature Extraction Techniques. Journal of Natural Language Processing. 23.
Martínez, R. C., López, J. M., & Rodríguez, P. Q. (2017). Text Classification Parameter Tuning for Enhanced Performance. Expert Systems with Applications. 42.
Miller, D. R., Smith, J. K., & Anderson, M. A. (2019). Cross-Validation for Robust Text Classification Models. Information Sciences. 504.
Montaño Moreno, J. J. (2012). Redes Neuronales Artificiales aplicadas al Análisis de Datos. Scielo, 315.
Pérez Planells, L., Delegido, J., Rivera Caicedo, J., & Verrelst, J. (2016). Análisis de métodos de validación cruzada para la obtención robusta de parámetros biofísicos. Universitat Politècnica de València.
Rankings, S. I. (2015). SIR Liber 2015, Rank output 2009-2013. Obtenido de Scopus: https://www.scimagoir.com/
Rivera García, C. G., Espinosa Manfugás, J. M., & Valdés Bencomo, Y. D. (2017). La investigación científica en las universidades ecuatorianas. Prioridad del sistema educativo vigente. Rev. Cuba. Educ. Super., 36(2), 113-125.
Rivera, A. (2020). Visualización de Información mediante mapeo auto-organizado en datos de producción científica de la Universidad Técnica de Cotopaxi. Universidad Técnica de Cotopaxi.
Rouhiainen, L. (2018). Inteligencia Artificial, 101 cosas que debes saber hoy sobre nuestro futuro. Editorial Planeta S.A.
Sotolongo Aguilar, G., Guzmán Sánchez, M. V., & Carrillo, H. (2011). VIBLIOSOM: Visualización de Información Bibliométrica mediante el Mapeo Autoorganizado. Redalyc.
Timarán-Pereira, I., Hernández-Arteaga, S. R., Caicedo-Zambrano, S. J., Hidalgo-Troya, A., & Alvarado Pérez, J. C. (2016). El proceso de descubrimiento de conocimiento en bases de datos. Ediciones Universidad Cooperativa de Colombia, 63-86.
UAM_Biblioteca. (2018). Producción científica: Producción Científica de la UAM. Obtenido de https://biblioguias.uam.es/produccion_cientifica
Williams, B. R., & Johnson, L. M. (2020). Cross-Validation Strategies for Text Classification Improvement. Journal of Machine Learning Research. 34.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Diego Geovanny Falconí Punguil
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores conservan los derechos morales y patrimoniales de sus obras. Puesto que Tesla Revista Científica es una publicación de acceso abierto, los lectores pueden reproducir total o parcialmente su contenido siempre y cuando proporcionen adecuadamente el crédito a los autores correspondientes y a la revista misma. Tesla Revista Científica se compromete a no hacer uso comercial de los textos que recibe y/o publica.
Nuestra revista se rige por las politicas internacionales SHERPA/RoMEO: Revista verde: Permiten el autoarchivo tanto del pre-print (borrador de un trabajo) como del post-print (la versión corregida y revisada por pares) y hasta de la versión final (maquetada tal como saldrá publicada en la revista).
Véase también "Derechos de autor y licencias".
