مورد إلكتروني
Deep Learning Algorithms using Tensorflow for Processing Scientific Production Data
| العنوان: | Deep Learning Algorithms using Tensorflow for Processing Scientific Production Data |
|---|---|
| عناروين إضافية: | Algoritmos de Deep Learning utilizando Tensorflow para el Tratamiento de Datos de Producción Científica |
| المصدر: | Tesla Revista Científica; Vol. 3 No. 2 (2023); e226; Tesla Revista Científica; Vol. 3 Núm. 2 (2023); e226; 2796-9320; 10.55204/trc.v3i2 |
| بيانات النشر: | La Plata: Puerto Madero Editorial Académica 2023-08-10 |
| تفاصيل مُضافة: | Falconí Punguil, Diego Geovanny |
| نوع الوثيقة: | Electronic Resource |
| مستخلص: | Introduction: The implementation of Artificial Intelligence, Neural Networks and Deep Learning Algorithms supported by TensorFlow is currently in constant evolution since they have opened new routes for the treatment and analysis of large amounts of data in systems mainly hosted on the web. Objective: The purpose of this research is to help the level of unsupervised decision making in the scientific platform Ecuciencia, which is hosted on the servers of the Technical University of Cotopaxi. Method: The data that will be taken as a reference for the analyzes introduced in the algorithms will be those referring to Research Lines and Sublines according to the Technical University of Cotopaxi. Results: Deep learning algorithms are responsible for training and grouping an unsupervised input data by similarity called machine learning, the same ones that model high-level abstractions using mainly data expressed in matrix form or tensors. Conclusion: The impact of the implementation of Deep Learning Algorithms supported by TensorFlow in the Ecuciencia system will be very important, since, thanks to this analysis, the scientific platform will be able to give a more accurate prediction of the classifications of Research Lines and Sublines. Introducción: La implementación de Inteligencia Artificial, Redes Neuronales y Algoritmos de Deep Learning apoyados en TensorFlow en la actualidad se encuentra en constante evolución ya que han abierto nuevas rutas para el tratamiento y análisis de grandes cantidades de datos en sistemas alojados en la web principalmente. Objetivo: La presente investigación tiene como finalidad, mejorar el nivel de toma de decisiones no supervisados en la plataforma científica Ecuciencia, la misma que se encuentra alojado en los servidores de la Universidad Técnica de Cotopaxi. Método: Los datos que se tomarán como referencia para los análisis introducidos en los algoritmos, será los referentes a Líneas y Sublíneas de Investigación de acuerdo a la Universidad Técnica de Cotopaxi. Resultados: Los algoritmos de aprendizaje profundo se encargan de entrenar y agrupar por similitud una data de entrada sin supervisión denominado aprendizaje automático, los mismos que modelan abstracciones de alto nivel utilizando principalmente datos expresados en forma matricial o tensores. Conclusión: El impacto de la implementación de algoritmos de aprendizaje profundo apoyados en TensorFlow en el sistema Ecuciencia, será muy importante, puesto que, gracias a este análisis, la plataforma científica podrá ser capaz de dar una predicción más acertada de las clasificaciones de Líneas y Sublíneas de investigación. |
| مصطلحات الفهرس: | Algoritmos, Redes Neuronales, Aprendizaje Profundo, TensorFlow, KDD, Algorithms, Neural Networks, Deep Learning, info:eu-repo/semantics/article, info:eu-repo/semantics/publishedVersion, Double-blind peer-reviewed original articles, Artículos Originales evaluados por doble pares ciegos |
| URL: | |
| الإتاحة: | Open access content. Open access content Derechos de autor 2023 Diego Geovanny Falconí Punguil https://creativecommons.org/licenses/by/4.0 |
| ملاحظة: | application/pdf Spanish |
| أرقام أخرى: | ECI2D oai:ojs2.tesla.puertomaderoeditorial.com.ar:article/226 10.55204/trc.v3i2.e226 1406120757 |
| المصدر المساهم: | I2D EDITORIAL ACADEMICA From OAIster®, provided by the OCLC Cooperative. |
| رقم الأكسشن: | edsoai.on1406120757 |
| قاعدة البيانات: | OAIster |
| الوصف غير متاح. |