Aprendizaje no supervisado combinando autoencoders y agrupamiento (Record no. 57914)

MARC details
000 -CABECERA
campo de control de longitud fija 02467naa a2200241 a 4500
003 - IDENTIFICADOR DEL NÚMERO DE CONTROL
campo de control AR-LpUFIB
005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN
campo de control 20250311170531.0
008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL
campo de control de longitud fija 230201s2023 xx o 000 0 spa d
024 8# - Otro identificador estandar
Número estándar o código DIF-M8879
-- 9105
-- DIF008142
040 ## - FUENTE DE LA CATALOGACIÓN
Centro catalogador/agencia de origen AR-LpUFIB
Lengua de catalogación spa
Centro/agencia transcriptor AR-LpUFIB
100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA
Nombre de persona Cochella, Lucas
245 10 - MENCIÓN DE TÍTULO
Título Aprendizaje no supervisado combinando autoencoders y agrupamiento
300 ## - DESCRIPCIÓN FÍSICA
Extensión 1 archivo (398,2 kB)
500 ## - NOTA GENERAL
Nota general Formato de archivo PDF. -- Este documento es producción intelectual de la Facultad de Informática - UNLP (Colección BIPA/Biblioteca)
520 ## - SUMARIO, ETC.
Sumario, etc. Las técnicas de agrupamiento son las más utilizadas a la hora de resolver tareas descriptivas. Su entrenamiento no supervisado requiere del uso de alguna medida de distancia para identificar similitudes entre los datos disponibles. La cantidad de características utilizadas suele tener un impacto directo en la calidad del agrupamiento por lo que contar con una representación adecuada de los datos es de sumo interés. Un área de investigación reciente en el aprendizaje no supervisado es la combinación del aprendizaje de representación con redes neuronales profundas y la agrupación de datos. Este artículo presenta una línea de investigación relacionada con el estudio, diseño e implementación de un modelo que combine autoencoders con distintas técnicas de agrupamiento para analizar datos estructurados con alta dimensionalidad. Si bien los autoencoders han demostrado ser efectivos para aprender representaciones adecuadas a la hora de procesar imágenes, aún quedan aspectos por resolver cuando se trata de trabajar con datos estructurados. El ámbito de aplicación son los datos académicos de los estudiantes de la Universidad Central del Ecuador entre 2018 y 2022. Estos datos pueden contener información valiosa sobre el desempeño y la evolución de los estudiantes, así como posibles casos de error, fraude o corrupción que afecten a la calidad educativa. El agrupamiento basado en la representación aprendida puede ayudar a identificar estos casos, así como a descubrir patrones y tendencias que permitan mejorar el sistema educativo.
534 ## - NOTA SOBRE LA VERSIÓN ORIGINAL
Encabezamiento principal del original Congreso Argentino de Ciencias de la Computación (29no : 2023 : Luján, Argentina)
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA
Término de materia o nombre geográfico como elemento de entrada APRENDIZAJE AUTOMÁTICO
653 ## - TÉRMINO DE INDIZACIÓN--NO CONTROLADO
Término no controlado autoencoders
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Lanzarini, Laura Cristina
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Jimbo Santana, Patricia
856 40 - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS
Identificador Uniforme del Recurso <a href="http://sedici.unlp.edu.ar/handle/10915/164875">http://sedici.unlp.edu.ar/handle/10915/164875</a>
942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA)
Tipo de ítem Koha Capítulo de libro
Holdings
Estado de retiro Estado de pérdida Estado dañado Disponibilidad Colección Biblioteca permanente Biblioteca actual Fecha de adquisición Total de préstamos Signatura topográfica completa Fecha visto por última vez Identificador Uniforme del Recurso Precio válido a partir de Tipo de ítem Koha
      No corresponde Biblioteca digital Biblioteca de la Facultad de Informática Biblioteca de la Facultad de Informática 11/03/2025   A1360 11/03/2025 http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2767 11/03/2025 Capítulo de libro