Teoría de núcleos reproductivos en espacios de Hilbert y aplicaciones a máquinas de soporte vectorial
El Aprendizaje de Máquinas es un tema de gran interés que ha ido creciendo en los últimos años y del que tenemos referencia a partir de la ciencia ficción. En este momento, se habla de aprendizaje de máquinas como algo natural, a pesar de ser un objetivo que todavía parece ser lejano. Las llamadas M...
| Autor Principal: | Sánchez Gómez, Laura |
|---|---|
| Formato: | bachelorThesis |
| Publicado: |
Pontificia Universidad Javeriana
2015
|
| Materias: | |
| Acceso en línea: |
http://hdl.handle.net/10554/11766 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: |
El Aprendizaje de Máquinas es un tema de gran interés que ha ido creciendo en los últimos años y del que tenemos referencia a partir de la ciencia ficción. En este momento, se habla de aprendizaje de máquinas como algo natural, a pesar de ser un objetivo que todavía parece ser lejano. Las llamadas Máquinas de Soporte Vectorial, surgen como una posible manera de desarrollar el aprendizaje en máquinas, siendo un método novedoso en la clasificación de datos. La teoría del aprendizaje de máquinas comenzó a crecer a partir de 1900, donde empezaron a surgir diferentes técnicas de aprendizaje que promovieron el desarrollo del concepto. Las máquinas de soporte vectorial pueden ser vistas como una aplicación del Análisis Funcional, que surgió como un nuevo grupo de algoritmos de aprendizaje, y tiene sus raíces en la Teoría del Aprendizaje Estadístico. La Teoría del Aprendizaje Estadístico fue desarrollada por los matemáticos rusos Vladimir Vapnik y Alexey Chervonenkis en 1974. Más adelante, en 1992, Vapnik, Isabelle Guyon, Bernhardt E. Boser presentaron en la conferencia sobre Teoría del Aprendizaje Computacional (COLT) una investigación acerca de algoritmos muy similares a los que hoy se denominan Máquinas de Soporte Vectorial. A partir de entonces, a nivel mundial existe mucha gente trabajando en el tema, el cual ha ido adquiriendo importancia con diferentes aplicaciones en campos como las finanzas, la bioinformática y la genética entre otros |
|---|