Redes de arquitectura profunda y ensembles para el tratamiento de la alta dimensionalidad y el desbalanceo en aprendizaje supervisado

Abstract

La presente tesis doctoral aborda el estudio de un campo novedoso y prometedor, el uso de nuevas técnicas basadas en aprendizaje profundo y ensembles que afronten los problemas de alta dimensionalidad y desbalanceo de datos. Esta elección se debe al importante auge que han experimentado en los últimos años, ofreciendo resultados realmente relevantes en muchos campos de aplicación. Así mismo, la razón de afrontar los dos problemas anteriormente mencionados es que las características inherentes a los datos cambian constantemente y la tendencia es que tanto la dimensionalidad como el desbalanceo continúen aumentado. El trabajo realizado se centra fundamentalmente en afrontar la tarea de reducción de dimensionalidad mediante el uso de Autoencoder (AE). En este sentido, se realizan tanto análisis experimentales de modelos existentes como nuevas propuestas de métodos de clasificación basados en AE. No obstante, esta tesis analiza también el problema del desbalanceo desde la perspectiva del aprendizaje profundo.