Examinando por Autor "Aguirre Elorza, Markos"

Mostrando 1 - 2 de 2

CLASIFICACIÓN DE GRAFOS MOLECULARES CON APRENDIZAJE AUTOMÁTICO
(Universidad Rey Juan Carlos, 2023-07-11) Aguirre Elorza, Markos
En este trabajo se aborda el problema de la clasificación de moléculas haciendo uso, en concreto, de técnicas de aprendizaje automático. Como objetivo principal, se plantea la implementación de distintos modelos de representación y clasificación para su posterior evaluación en términos de rendimiento. En el capítulo 2 de introducción se va a explicar la necesidad para tratar este problema, la revolución que se ha llevado a cabo en estos últimos años gracias al aprendizaje automático y se detallará sobre qué cuestiones particulares versará este trabajo. En el tercer capítulo, se detallarán los objetivos de este trabajo. Se describirá resumidamente el problema, se expondrá la metodología empleada para lograr el objetivo y se comentarán las alternativas que ha habido a este enfoque. Los siguientes cuatro capítulos siguen esta lógica. En los capítulos 4 y 5, se expone el estado del arte. Concretamente, en la cuarta sección se recoge cómo se representan las moléculas de forma que se puedan procesar y en la quinta qué modelos existen para clasificar esos datos ya preprocesados. Siguiendo el mismo esquema, en los capítulos 6 y 7 se explica el estudio comparativo llevado a cabo para la ocasión. En el capítulo seis se detallan los datos escogidos para el estudio, mientras que en el séptimo se valora la aplicación de los modelos de aprendizaje escogidos. Concretamente, en el capítulo 4, se van a explicar las distintas formas que existen para representar moléculas, haciendo especial hincapié en las maneras convenientes para el clasificado automático. No es una cuestión trivial, ya que los modelos de aprendizaje automático normalmente necesitan trabajar con información vectorizada y esto obliga a que se haga un preprocesado de los datos cuidadoso. En el quinto capítulo, se discutirán los distintos modelos de aprendizaje automático que se utilizan en esta tarea. Se expondrá el funcionamiento de los modelos más exitosos en este problema. En el siguiente capítulo, se van a presentar los conjuntos de datos que se utilizarán en el estudio comparativo. Se explicará para qué se utilizan en escenarios reales, qué propiedades tienen, si existe desbalanceo de datos o no, etc., y también se detallará qué descriptores moleculares se disponen en cada dataset para hacer el clasificado. Por otro lado, ya en el capítulo 7, se hará un estudio comparativo entre cinco distintos modelos de aprendizaje automático introducidos en el capítulo 5 y con los cuatro distintos conjuntos de datos del capítulo 6. Se verá la importancia de una correcta implementación de los métodos escogidos y se valorarán los resultados obtenidos. Para finalizar, se dedicarán unas páginas para exponer las conclusiones obtenidas. Principalmente, sobre el rendimiento y las limitaciones de los modelos y los descriptores tratados a lo largo del trabajo.
ESTUDIO COMPARATIVO DEL ALGORITMO K_MEANS PARA DISTINTAS DISTANCIAS EN ESPACIOS NO MÉTRICOS
(Universidad Rey Juan Carlos, 2023-07-12) Aguirre Elorza, Markos
En el siguiente trabajo se ha explorado la posibilidad de combinar el algoritmo k-means con las distancias no métricas. Con esta variación del algoritmo de clusterización, se persigue agrupar elementos cuya similitud no se represente con la tradicional distancia euclídea, sino que se distinga mejor con una distancia que no esté sujeta a las restricciones métricas. La estructura de este trabajo es la siguiente. En primer lugar, en el capítulo 3, se describirá el trabajo previo desarrollado en este campo al respecto. Concretamente, se analizará el algoritmo k-means al detalle y, después, se hablará sobre las distancias no métricas. En el capítulo 4, se realizará un análisis comparativo entre el algoritmo k-means tradicional y el no métrico. Se empezará con un estudio teórico para demostrar la posibilidad de mejora de esta nueva técnica y, más tarde, se aplicará el método en dos conjuntos de datos con aplicaciones reales. Como el lector podrá observar, se consigue una notable mejoría en uno de los casos de uso. En el siguiente capítulo, se expondrán las conclusiones obtenidas, sobre todo, de los casos de uso analizados y también de la literatura científica correspondiente. Se hablará sobre las limitaciones y los beneficios de esta técnica en aplicaciones de mundo real. Para finalizar, se tratarán las futuras vías de la clusterización y el lugar que tiene el k-means no métrico en ellas. Se expondrán brevemente los resultados obtenidos por técnicas más modernas, como pueden ser los algoritmos de aprendizaje automático, para poder intuir el camino que recorrer¿a la investigación y la aplicación de la clusterización.