Definición de un entorno distribuido para el aprendizaje computacional inductivola arquitectura metala

Laburpena

Este trabajo de tesis se centra, genéricamente, sobre el proceso de aprendizaje computacional inductivo, Primeramente se ha realizado un análisis de las técnicas más reconocidas. Posteriormente se estudian los nuevos paradigmas que combinan las técnicas de inducción básicas para obtener una sinergia que lleve a la obtención de teorías de inducción más efectivas. Todas estas técnicas quedan englobadas dentro de lo que denominamos Aprendizaje Inductivo Multi-proceso. Junto con esto, se presenta un enfoque unificador de las técnicas para la estimación de la bondad de modelos inductivos, tanto para tareas de clasificación como de regresión. La unificación de criterios en este sentido resulta imprescindible a la hora de tener un criterio decisor válido sobre qué tipos de técnicas funcionan mejor respecto de otras en determinados tipos de problemas. Una vez realizado el estudio se ofrece una metodología o modelo marco para la construcción de sistemas software que trabajen con estas técnicas. Así mismo, se validan todas las ideas plasmadas en la definición de ese marco, a través de la construcción y estudio empírico de un prototipo software. Las principales contribuciones de esta tesis son las siguientes: * El estudio y modelado de las técnicas de inducción básicas más usadas actualmente, como son: el aprendizaje de modelos basados en redes neuronales, la inducción de árboles de decisión, reglas de decisión, el aprendizaje naive mediante la regla de Bayes y el aprendizaje genérico mediante algoritmos genéticos. * La recopilación, estudio, clasificación y modelado de técnicas de inducción de orden superior como pueden ser el Boosting, Bagging, Landmarking, etc. De en entre estas técnicas, se realiza una taxonomía que delimite el alcance y aplicabilidad de cada una de ellas. * La identificación de elementos accesorios para posibilitar la construcción y uso de estas técncias dentro de un sistema