Examinando por Autor "Gonzalez Fernandez, Laura"

Mostrando 1 - 2 de 2

COMPARATIVA DEL CONSUMO ENERGÉTICO DE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO
(Universidad Rey Juan Carlos, 2024-07-22) Gonzalez Fernandez, Laura
El aprendizaje automático se ha desarrollado a pasos de gigante durante los últimos años, permitiendo a los sistemas informáticos abstraer relaciones complejas entre datos y hacer predicciones precisas. Sin embargo, estos avances también han incrementado el consumo energético debido al procesamiento de enormes cantidades de datos, lo que genera una huella ambiental significativa. En este contexto, se vuelve imperativo equilibrar la precisión y eficacia de los modelos de aprendizaje automático con su impacto energético. Este proyecto tiene como objetivo proporcionar una herramienta que permita comparar modelos de aprendizaje automático en términos de precisión y consumo energético. Para ello, se ha desarrollado una aplicación utilizando scikit-learn, Python y CodeCarbon, junto con conjuntos de datos públicos. La arquitectura de la aplicación está diseñada para medir las emisiones de carbono producidas durante el entrenamiento de varios modelos, abarcando todo el proceso de aprendizaje desde la preparación de datos y la validación cruzada de los modelos hasta la recopilación de consumo energético usando CodeCarbon. Para ofrecer una muestra del funcionamiento de la aplicación se llevaron a cabo dos experimentos principales. El primero comparó las emisiones y la precisión de varios modelos en diferentes conjuntos de datos de creciente complejidad. El modelo de vecinos más cercanos mostró un consumo energético bajo y precisión moderada, mientras que el modelo de bosque aleatorio ofreció alta precisión con consumo moderado. Las redes neuronales, aunque precisas, presentaron un consumo significativamente mayor. El segundo experimento evaluó las emisiones en máquinas con distintas configuraciones de recursos, usando máquinas virtuales en Microsoft Azure. Los resultados indicaron que el uso de paralelismo y mayor cantidad de procesadores aumenta el consumo energético por unidad de tiempo, pero reduce el tiempo total de entrenamiento, compensando el incremento en consumo. En conclusión, este proyecto no solo proporciona una herramienta útil para la evaluación de modelos de aprendizaje automático desde una perspectiva de sostenibilidad, sino que también destaca la necesidad de tener en cuenta el impacto ambiental en el desarrollo de soluciones tecnológicas avanzadas. Futuros trabajos podrán expandir sobre esta base, explorando nuevos modelos y técnicas de optimización para reducir aún más el consumo energético sin comprometer la precisión.
EXPLORATION OF VISION-BASED CONTROL SOLUTIONS FOR PX4-DRIVEN UAVS
(Universidad Rey Juan Carlos, 2023-10-31) Gonzalez Fernandez, Laura
La popular plataforma de código abierto PX4 surge con el objetivo de facilitar el desarrollo de nuevas soluciones para vehículos aéreos no tripulados y su integración con nuevas tecnologías para favorecer su acercamiento al público general. Esta tesis pretende demonstrar cómo esta plataforma puede ser empleada para desarrollar y evaluar estrategias de control que integren técnicas de visión artificial existentes, utilizando sus resultados para controlar el movimiento de un vehículo aéreo y empleando componentes electrónicos de bajo presupuesto. Para mostrar las capacidades de las herramientas disponibles, se presenta un método de control viable que permite a un dron usar una cámara abordo del mismo para identificar y realizar un seguimiento de una persona en su campo de visión, cuyos movimientos son reflejados por el vehículo.