Please use this identifier to cite or link to this item:
https://hdl.handle.net/20.500.12008/43749
How to cite
Title: | Redes generativas adversarias |
Authors: | Cesano, Julio Fuidio, Mathias |
Obtained title: | Licenciado en Estadística |
University or service that grants the title: | Universidad de la República (Uruguay). Facultad de Ciencias Económicas y de Administración |
Tutor: | Bourel, Mathias |
Type: | Tesis de grado |
Keywords: | GAN, Modelos generativos, Discriminador, Generador, Función de pérdida |
Descriptors: | INTELIGENCIA ARTIFICIAL, GENERATIVE ADVERSARIAL NETWORK, APRENDIZAJE PROFUNDO, DEEP LEARNING, APRENDIZAJE AUTOMATICO, MACHINE LEARNING, REDES NEURONALES ARTIFICIALES, VISION ARTIFICIAL |
Issue Date: | 2024 |
Abstract: | Las redes generativas adversarias o GAN (por sus siglas en inglés), son un enfoque para el modelado generativo que utiliza métodos de aprendizaje profundo, como las redes neuronales. El modelado generativo es un algoritmo particular dentro del aprendizaje automático que implica descubrir y aprender patrones en los datos de entrada y generar nuevos ejemplos que de manera plausible podrían haberse extraído del conjunto de datos original. Las GAN son una forma de entrenar un modelo generativo al abordar el problema como un ejercicio de aprendizaje no supervisado con dos sub modelos: un modelo generador que se entrena para generar nuevos ejemplos y otro modelo discriminador que clasifica los ejemplos como reales (provenientes del dominio original) o falsos (provenientes del generador). A grandes rasgos, los dos modelos se entrenan conjuntamente en un juego de suma cero, contradictorio, hasta que el modelo discriminador es “engañado” aproximadamente la mitad de las veces, lo que significa que el modelo generador está generando ejemplos plausibles de pertenecer al dominio real. El presente trabajo estudia en detalle el funcionamiento de las redes neuronales generativas. Se presenta un detalle teórico y se aplica al contexto de visión artificial, generando: en primer lugar, un modelo que permite clasificar el conjunto de datos MNIST a partir de una arquitectura de red neuronal convolucional. En segundo lugar, un modelo de tipo GAN convolucional capaz de generar dígitos manuscritos. Se logró comprender en profundidad el funcionamiento de las redes neuronales generativas adversarias en el contexto de la visión artificial, su arquitectura, métodos de aprendizaje y análisis de performance. Se implementó exitosamente una GAN al caso de estudio antes mencionado. |
Description: | Tribunal integrado por Marco Scavino, María Inés Fariello y Mathias Bourel. |
Publisher: | Udelar. FCEA |
Citation: | CESANO, Julio y FUIDIO, Mathias. Redes generativas adversarias [en línea]. Trabajo final de grado. Montevideo: Udelar. FCEA, 2024. |
License: | Licencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0) |
Appears in Collections: | Trabajos Finales de Grado de la Licenciatura en Estadística - Facultad de Ciencias Económicas y de Administración |
Files in This Item:
File | Description | Size | Format | ||
---|---|---|---|---|---|
TFG_Cesano_Fuidio.pdf | TFG | 7,3 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License