Mostrar o rexistro simple do ítem
Clasificación distribuida on the edge
dc.contributor.advisor | Bolón-Canedo, Verónica | |
dc.contributor.advisor | Morán-Fernández, Laura | |
dc.contributor.author | Tomé Moure, Rubén | |
dc.contributor.other | Universidade da Coruña. Facultade de Informática | es_ES |
dc.date.accessioned | 2023-11-06T17:38:19Z | |
dc.date.issued | 2023 | |
dc.identifier.uri | http://hdl.handle.net/2183/34057 | |
dc.description.abstract | [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. | es_ES |
dc.description.abstract | [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. | es_ES |
dc.language.iso | spa | es_ES |
dc.rights | Atribución 3.0 España | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/es/ | * |
dc.subject | Aprendizaje distribuido | es_ES |
dc.subject | Aprendizaje on the edge | es_ES |
dc.subject | Aprendizaje automático | es_ES |
dc.subject | Minería de datos | es_ES |
dc.subject | Internet de las cosas | es_ES |
dc.subject | Distributed learning | es_ES |
dc.subject | On the edge learning | es_ES |
dc.subject | Machine learning | es_ES |
dc.subject | Data mining | es_ES |
dc.subject | Internet of things | es_ES |
dc.title | Clasificación distribuida on the edge | es_ES |
dc.type | info:eu-repo/semantics/bachelorThesis | es_ES |
dc.rights.access | info:eu-repo/semantics/embargoedAccess | es_ES |
dc.date.embargoEndDate | 2024-05-06 | es_ES |
dc.date.embargoLift | 2024-05-06 | |
dc.description.traballos | Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2022/2023 | es_ES |