Clasificación distribuida on the edge
![Thumbnail](/dspace/bitstream/handle/2183/34057/TomeMoure_Ruben_TFG_2023.pdf.jpg?sequence=5&isAllowed=y)
Ver/Abrir
Use este enlace para citar
http://hdl.handle.net/2183/34057Colecciones
Metadatos
Mostrar el registro completo del ítemTítulo
Clasificación distribuida on the edgeAutor(es)
Directores
Bolón-Canedo, VerónicaMorán-Fernández, Laura
Fecha
2023Centro/Dpto/Entidad
Universidade da Coruña. Facultade de InformáticaDescripción
Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2022/2023Resumen
[Resumen]: En la actualidad, el volumen de datos es enorme, dificultando el análisis e identificación de
patrones de los mismos. En este contexto, los algoritmos actuales de aprendizaje automático
no son adecuados, debido a su implementación centralizada, que nos lleva a tiempos de ejecución
demasiado elevados. Un enfoque distribuido, sin embargo, permite el tratamiento de los
datos por parte de varios nodos de forma paralela, lo que reduce las necesidades hardware. Por
todo lo mencionado, el aprendizaje distribuido está cobrando cada vez más importancia en la
actualidad. En el aprendizaje distribuido, varios nodos clasifican un subconjunto de los datos
originales, que se enviarán a un nodo final que combinará dichos resultados. Otro concepto
importante es el de aprendizaje on the edge, que consiste en procesar los datos lo más cerca
posible, evitando el envío masivo de información a estructuras externas y la problemática que
plantearía. En este trabajo, se utilizará un ordenador convencional y dispositivos Raspberry
Pi, muy interesantes ya que ofrecen un rendimiento notable a un precio muy inferior a un PC. [Abstract]: Nowadays, the volume of data is enormous, making it difficult to analyse and identify patterns
in it. In this context, current machine learning algorithms are not suitable, due to their
centralised implementation, which leads to excessively high execution times. A distributed
approach, however, allows data processing by several nodes in parallel, which reduces hardware
needs. For all of the above, distributed learning is becoming increasingly important
today. In distributed learning, several nodes classify a subset of the original data, which will
be sent to a final node that will combine those results. Another important concept is the “on
the edge learning”, which consists of processing the data as closely as possible, avoiding the
massive sending of information to external structures and the problems that this would pose.
In this work, a conventional computer and Raspberry Pi devices will be used, which are very
interesting since they offer remarkable performance at a much lower price than a PC.
Palabras clave
Aprendizaje distribuido
Aprendizaje on the edge
Aprendizaje automático
Minería de datos
Internet de las cosas
Distributed learning
On the edge learning
Machine learning
Data mining
Internet of things
Aprendizaje on the edge
Aprendizaje automático
Minería de datos
Internet de las cosas
Distributed learning
On the edge learning
Machine learning
Data mining
Internet of things
Derechos
Atribución 3.0 España