07 de junio de 2013
Resumen:
El contenido de esta tesis está orientado hacia el desarrollo de nuevos algoritmos que permitan incluir técnicas de selección de variable dentro del propio mecanismo de optimización. En la Parte I, se introduce el contexto en el que este trabajo se ha desarrollado y el proyecto que lo financió. También se detallan en esta primera parte los conceptos teóricos necesarios para entender los modelos así como una revisión del estado del arte. La primera contribución de esta tesis se explica en la Parte II, donde se describe el algoritmo de aprendizaje supervisado GLOSS y la teoría que lo sostiene así como algunos experimentos que verifican su rendimiento en comparación con otros algoritmos de última generación. La segunda contribución se detalla en la Parte III, con una estructura análoga a la de la Parte II pero para el dominio de aprendizaje no supervisado. El algoritmo de clustering MIX-GLOSS adapta el algoritmo que hemos desarrollado al dominio no supervisado a través de un mecanismo EM modificado que garantiza la convergencia.
Cita:
L.F. S. Merchante (2013), Learning algorithms for sparse classification. Compiègne (Francia).
