Título:
Aprendizaje estadístico supervisado basado en núcleos
Otros títulos:
Coordinador:
Director:
Compilador:
Autor:
Vallejo, Sebastián
Tutor:
Fraiman, Ricardo
Moreno, Leonardo
Moreno, Leonardo
Tipo de documento:
Trabajo final de grado
Editor:
Palabras clave:
Aprendizaje estadístico supervisado
Reducción de dimensionalidad
Quimiometría
Eliminación de Ruido
Métodos basados en núcleos
Regresión
Chemometrics
Dimensionality reduction
Kernel-based methods
Noise elimination
Supervised statistical learning
Regression
Reducción de dimensionalidad
Quimiometría
Eliminación de Ruido
Métodos basados en núcleos
Regresión
Chemometrics
Dimensionality reduction
Kernel-based methods
Noise elimination
Supervised statistical learning
Regression
Descriptores:
APRENDIZAJE AUTOMATICO
MACHINE LEARNING
MODELOS PREDICTIVOS
METODO KERNEL
MACHINE LEARNING
MODELOS PREDICTIVOS
METODO KERNEL
Año de publicación:
2026
Contenido:
Resumen:
Este trabajo explora varias técnicas de aprendizaje automático y sus elementos subyacentes de la teoría del aprendizaje estadístico, con un énfasis específico en el aprendizaje supervisado basado en kernels. La investigación se centra en un problema de regresión aplicado a datos quimiométricos, logrando resultados competitivos con publicaciones recientes en el campo. Se explora la transición de la minimización del riesgo empírico (ERM) a métodos de regularización como las máquinas de vectores de soporte (SVM) y los mínimos cuadrados regularizados kernel (KRLS). En una aplicación práctica, la investigación aplica diferentes técnicas de aprendizaje automático a un conjunto de datos proporcionado por un laboratorio en Montevideo, con el objetivo de predecir los valores de los componentes químicos a partir de datos de espectroscopia de infrarrojo cercano (NIRS). El objetivo es desarrollar un sistema capaz de predecir automáticamente valores químicos basados en datos NIRS, con un coeficiente de determinación objetivo (R²) de 0,92 establecido por expertos de campo que proporcionaron los datos. Los resultados muestran que al eliminar el ruido y reducir la dimensionalidad mediante coeficientes wavelet, SVM logra valores de R² que superan el objetivo.
This paper explores various machine learning techniques and their underlying statistical learning theory elements, with a specific emphasis on kernel-based supervised learning. The research focuses on a regression problem applied to chemometric data, achieving results competitive with recent publications in the eld. It explores the transition from Empirical Risk Minimization (ERM) to regularization methods like Support Vector Machines (SVM) and Kernel Regularized Least Squares (KRLS). In a practical application, the research applies diferent machine learning techniques to a dataset provided by a laboratory in Montevideo, aiming to predict chemical component values from Near-Infrared Spectroscopy (NIRS) data. The goal is to develop a system capable of automatically predicting chemical values based on NIRS data, with a target coefficient of determination (R²) of 0.92 set by field experts. The results show that by eliminating noise and reducing dimensionality using wavelet coefficients, SVM achieves R² values exceeding the target for both training and test data.
This paper explores various machine learning techniques and their underlying statistical learning theory elements, with a specific emphasis on kernel-based supervised learning. The research focuses on a regression problem applied to chemometric data, achieving results competitive with recent publications in the eld. It explores the transition from Empirical Risk Minimization (ERM) to regularization methods like Support Vector Machines (SVM) and Kernel Regularized Least Squares (KRLS). In a practical application, the research applies diferent machine learning techniques to a dataset provided by a laboratory in Montevideo, aiming to predict chemical component values from Near-Infrared Spectroscopy (NIRS) data. The goal is to develop a system capable of automatically predicting chemical values based on NIRS data, with a target coefficient of determination (R²) of 0.92 set by field experts. The results show that by eliminating noise and reducing dimensionality using wavelet coefficients, SVM achieves R² values exceeding the target for both training and test data.
Descripción:
Tribunal integrado por: Ricardo Fraiman, Leonardo Moreno y Marco Scavino.
Editorial:
EN:
Financiadores:
Citación:
VALLEJO, Sebastián. Aprendizaje estadístico supervisado basado en núcleos [en línea].Trabajo final de grado. Universidad de la República (Uruguay). Facultad de Ciencias Económicas y de Administración, 2026
Citación:
metadata.cc.license.name:
Documento del Gobiberno:
URI:
https://hdl.handle.net/20.500.12008/54583
ISBN:
e-ISBN:
ISSN:
ISMN:
Otros identificadores:
Título Obtenido:
Licenciado en Estadística
Facultad o Servicio que otorga el Título:
Universidad de la República (Uruguay). Facultad de Ciencias Económicas y de Administración
Licencia:
Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0)
Cobertura geográfica:
Cobertura temporal:
metadata.dc.relation.IsVersionOf:
Clasificación:
Es versión de:
| Ficheros | Descripción | Tamaño | Formato | ||
|---|---|---|---|---|---|
| TFG_Vallejo_Sebastian.pdf | TFG | 2.58 MB | Adobe PDF |