Abstract:
RESUMEN:
Hoy en día, el análisis de los datos clínicos se ha convertido en un tema relevante, ya que sus conclusiones pueden ser utilizadas para ayudar a los sistemas de salud, para generar informes del comportamiento de las enfermedades que se producen en la población, su evolución y la forma en que se erradiquen. Un análisis confiable puede conducir a tomar las acciones necesarias para mejorar la salud de la población. De hecho, los programas de prevención de enfermedades pueden ser creados, en los cuales el desarrollo de nuevas técnicas de detección de enfermedades puede desempeñar un papel clave en la prevención de nuevas epidemias. Condiciones similares se pueden lograr si el desarrollo de nuevos fármacos se basa en la predicción de variaciones de virus o bacterias. La gran cantidad de información generada en esta área nos permite considerarla dentro del concepto de sistemas de información masiva. El procesamiento de estos datos requiere el desarrollo de herramientas computacionales eficientes y precisas, que permitan reconocer patrones ocultos en los datos. En esta investigación, se propone el desarrollo de algoritmos de aprendizaje profundo para ajustar los parámetros de redes neuronales jerárquicas. Estos algoritmos utilizaran la base teórica del llamado aprendizaje profundo. Las redes neuronales jerárquicas estáticas y recurrentes serán puestas a prueba, con el fin de evaluar el impacto de la retroalimentación de información.
ABSTRACT:
Nowadays, clinical data analysis has became a relevant subject because its conclusions can be used to help health systems, to generate behavioral reports of diseases that occur in the population, its evolution and the way it is eradicated. A reliable analysis may lead to take the appropriate actions to improve population's health. Indeed, disease prevention programs can be created, where the development of new techniques for detecting diseases can play a key role on preventing new epidemics. Similar conditions can be attained if the development of new drugs for treating different illness can be ruled by predicted variations of bacteria or virus. The large amount of information generated in this area yields to consider the concept of massive information system. The processing of these data require the development of efficient and accurate computational tools that allow to recognize trends and even patterns hidden in the data. In this research, the development of deep learning algorithms to adjust the parameters of hierarchical neural networks is proposed. These algorithms will use the theoretical basement of the so-called deep learning theory. Static and recurrent hierarchical neural networks will be tested in order to evaluate the impact of feedback information.
Description:
Tesis (Maestría en Ciencias en Ingeniería de Cómputo), Instituto Politécnico Nacional, SEPI, CIC, 2017, 1 archivo PDF, (107 páginas). tesis.ipn.mx