1. RIUdeG
  2. Tesis
  3. Doctorado
  4. CUCEI
Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12104/104800
Registro completo de metadatos
Campo DCValorLengua/Idioma
dc.contributor.authorAranguren Navarro, Itzel Niasandiu
dc.date.accessioned2024-09-18T16:49:47Z-
dc.date.available2024-09-18T16:49:47Z-
dc.date.issued2023-08-23
dc.identifier.urihttps://wdg.biblio.udg.mx
dc.identifier.urihttps://hdl.handle.net/20.500.12104/104800-
dc.description.tableofcontents1. PROCESAMIENTO DE IMAGENES PARA EL DIAGNÓSTICO OPORTUNO DEL TEA 5 1.1. Imagen Medica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.1.1. Imagen del Cerebro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2. Neurodiversidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1.2.1. Trastorno del Espectro Autista (TEA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 1.3. Diagnostico del TEA mediante procesamiento de imagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2. APRENDIZAJE MAQUINA 14 2.1. Conceptos de Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.1.1. Conceptos de Aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.2. Tipos de problemas en aprendizaje máquina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.3. Tipos de datos y aprendizajes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.4. Aprendizaje Maquina Extremo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.4.1. Aprendizaje Maquina Extremo de Kernel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 3. OPTIMIZACION 22 3.1. Clasificacion de los algoritmos de optimizacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 3.2. Algoritmos de optimizacion metaheurısticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 3.2.1. Estructura general de los algoritmos de optimizacion metaheurısticos . . . . . . . . . . . . . 27 3.2.2. Clasificacion de los algoritmos de optimizacion metaheurısticos . . . . . . . . . . . . . . . . . . 28 3.3. Algoritmo de Construccion de Piramides de Guiza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4. DIAGNÓSTICO DEL TEA MEDIANTE EL MODELO GPC-KELM 33 4.1. Conjunto de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33 4.2. Procesamiento de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.2.1. Aumento de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 4.2.2. Reduccion de dimensionalidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 4.2.3. Normalizacion de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.3. Modelo implementado y salida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 5. RESULTADOS EXPERIMENTALES 42 5.1. Configuracion de los experimentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.2. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 5.2.1. Prueba de rango de Wilcoxon. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 5.2.2. Comparacion entre GPC-KELM y otros algoritmos de aprendizaje automatico . . . . . 50 5.3. Discusion de los resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 CONCLUSIONES 53
dc.formatapplication/PDF
dc.language.isospa
dc.publisherBiblioteca Digital wdg.biblio
dc.publisherUniversidad de Guadalajara
dc.rights.urihttps://www.riudg.udg.mx/info/politicas.jsp
dc.titlePROCESAMIENTO DE IMAGENES EN SINERGIA CON EL APRENDIZAJE MAQUINA
dc.typeTesis de Doctorado
dc.rights.holderUniversidad de Guadalajara
dc.rights.holderAranguren Navarro, Itzel Niasandiu
dc.coverageGUADALAJARA, JALISCO
dc.type.conacytdoctoralThesis
dc.degree.nameDOCTORADO EN CIENCIAS DE LA ELECTRONICA Y LA COMPUTACION CON ORIENTACIONES
dc.degree.departmentCUCEI
dc.degree.grantorUniversidad de Guadalajara
dc.rights.accessopenAccess
dc.degree.creatorDOCTOR EN CIENCIAS DE LA ELECTRONICA Y LA COMPUTACION CON ORIENTACIONES
dc.contributor.directorOliva Navarro, Diego Alberto
dc.contributor.codirectorPerez Cisneros, Marco Antonio
Aparece en las colecciones:CUCEI

Ficheros en este ítem:
Fichero TamañoFormato 
DCUCEI10195FT.pdf2.77 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.