Show simple item record

dc.contributor.advisorInza Cano, Iñaki ORCID
dc.contributor.advisorJiménez Cortadi, Alberto
dc.contributor.authorRey Perea, Borja
dc.contributor.otherMáster Universitario en Ingeniería Computacional y Sistemas Inteligentes
dc.contributor.otherKonputazio Ingeniaritza eta Sistema Adimentsuak Unibertsitate Masterra
dc.date.accessioned2022-12-23T09:15:32Z
dc.date.available2022-12-23T09:15:32Z
dc.date.issued2022-12-23
dc.identifier.urihttp://hdl.handle.net/10810/58971
dc.description.abstractEste documento recoge el proceso seguido para la realización del Trabajo de Fin de Máster, el cual consiste en aprender diferentes modelos de One Class Classification para la clasificación de fallos del eje de una grúa. Se emplearán tanto modelos Shallow como modelos de Deep Learning. Se trabajarán distintas formas de preparar los datos para evaluar el rendimiento de los modelos segun la técnica aplicada: PCA, variables expertas, variables automáticas e imágenes. El objetivo será detectar anomalías y comparar los distintos modelos.es_ES
dc.language.isospaes_ES
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectoutlier
dc.subjectshallow
dc.subjectdeep learning
dc.subjectmachine learning
dc.subjectcomparative
dc.titleComparación entre modelos Shallow y Deep para la detección de anomalíases_ES
dc.typeinfo:eu-repo/semantics/masterThesis
dc.date.updated2022-05-13T08:56:29Z
dc.language.rfc3066es
dc.rights.holder© 2022, el autor
dc.contributor.degreeMáster Universitario en Ingeniería Computacional y Sistemas Inteligentes
dc.contributor.degreeKonputazio Ingeniaritza eta Sistema Adimentsuak Unibertsitate Masterra
dc.identifier.gaurregister121461-871362-10es_ES
dc.identifier.gaurassign133003-871362es_ES


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record