Trabajos finales de carrera de postgrado

Permanent URI for this collection

https://rad.ort.edu.uy/handle/20.500.11968/2714

Estos trabajos de fin de carrera son obras producidas por estudiantes, que se originan en los procesos formativos de la universidad.

Tienen propósitos culturales y educativos. No son productos comerciales y su difusión pública no está autorizada.

Browse

Now showing 1 - 7 of 7

An approach to explainable deep learning for image-based medical diagnosis based on prototypes
(Universidad ORT Uruguay, 2023) Cecilia Delgado, Leonardo Raúl; Yovine, Sergio Fabián; Galmarini, Carlos; Fernández Slezak, Diego
El objetivo de esta tesis es desarrollar un modelo de aprendizaje profundo “explicable” que pueda analizar imágenes médicas y que al mismo tiempo se pueda crear herramientas de visualización fáciles de usar, pudiéndose aprovechar en entornos clínicos para mejorar la atención al paciente. Este modelo utiliza los últimos avances en técnicas de aprendizaje profundo y tiene como objetivo proporcionar resultados más precisos e interpretables, lo que permite a los médicos tomar decisiones mejor informadas.
Análisis e implementación de técnicas de “Batch Reinforcement Learning” pasivo para aplicación sobre casos reales
(Universidad ORT Uruguay, 2021) Derderian Dostourian, Mariana; Milano Taibo, José Germán; Mottini d'Oliveira, Bruno Luis; Yovine, Sergio Fabián; Mayr Ojeda, Franz; Gravano, Agustin; Olloniego Rocca, Juan Andrés
El presente trabajo final tiene como objetivo investigar las posibilidades que brinda la Inteligencia Artificial. En particular, se focaliza en analizar las diferentes técnicas de “Batch Reinforcement Learning” pasivo. Su implementación buscará abordar un caso de uso real basado en sistemas de recomendación. Esto implicó la realización de una evaluación de los diferentes algoritmos capaces de resolver esta y otras problemáticas, así como también las diferentes opciones de métricas de desempeño que pueden ser implementadas. Así, se buscará generar un marco de referencia para la aplicación de “Batch Reinforcement Learning”. El mismo abordará los siguientes pilares fundacionales: tratamiento del conjunto de datos, los algoritmos y posibles métricas de desempeño. Estos puntos forman un grupo indispensable para la aplicación de la técnica antes mencionada. Estos tres pilares se abordarán desde distintas ópticas. Por una parte, en lo que refiere a conjunto de datos, se utilizarán algoritmos que permitirán generarlos para mantener un escenario de pruebas controlado, sobre el cual puedan desarrollarse distintos experimentos. Por otra parte, se explorarán algoritmos que se consideran las bases para la aplicación de “Batch Reinforcement Learning” pasivo (e.g. Neural Fitted Q-Iteration), todos ellos basados en redes neuronales artificiales. Por último, será necesario evaluar métricas de desempeño que permitan conocer si un agente logró aprender a resolver la tarea propuesta. Finalmente, se dejan sentadas las bases para poder aplicar dichas técnicas a un caso real sobre una temática relevante en la industria: sistemas de recomendación.
Análisis y desarrollo de modelos predictivos con redes neuronales para Web Application Firewall
(Universidad ORT Uruguay, 2020) Biardo Mirenda, Deborah; González Quintana, Guzmán; Lanzotti Filardi, Sabrina Leticia; Fabián Yovine, Sergio; Pisani Leal, Mikaela; Garbarino Alberti, Helena
Los datos manejados en las organizaciones son valiosos para la realización de múltiples investigaciones, sin embargo, poseen información personal que debe ser protegida. Por este motivo, anonimizar los datos es una tarea de vital importancia. Esto implica privatizarlos sin restarles poder informativo al momento de ser analizados. El siguiente trabajo final presenta una solución para proteger esta información personal desarrollando un modelo predictivo basado en el modelo bolsa de palabras (Bag of Words, BoW) y redes neuronales. El fin es realizar una tarea de “ciberseguridad” predictiva a partir de datos no privatizados que permita la clasificación de los identificadores de recursos uniformes (URI por sus siglas en inglés) como normales o anómalas. Se analizaron investigaciones previas referidas a esta temática utilizándose los conjuntos de datos empleados para la obtención de un conjunto de URI. A partir del conocimiento del dominio experto, se construyó una bolsa de palabras para cada “URI” que contiene la frecuencia de cada conjunto de caracteres (“keys” expertas) asociados a ataques informáticos y se añadieron caracteres adicionales al dominio experto. Se utilizó Perceptrón multicapa (MLP por sus siglas en inglés), entrenados para cada conjunto de datos por separado y luego para un único conjunto de datos. Para evaluar el modelo se emplearon técnicas como matriz de confusión, análisis y comparación de métricas “True Positive Rate” (TPR) y “True Negative Rate” (TNR) y curvas de aprendizaje. Se aplicaron técnicas como Frecuencia de término-Frecuencia inversa de documento (Tf-idf por sus siglas en inglés), utilizando los conjuntos de caracteres identificadas como “tokens”. Luego mediante la extracción de características se obtuvieron “tokens” en forma dinámica en modalidad de unigrama, bigrama y mixta. El mejor resultado obtenido fue con el modelo de TF-IDF: “Feature Extraction” Unigrama. Finalmente se aplicaron técnicas de métodos combinados como “stacking” y “majority voting”, pero no generaron mejores resultados que los del modelo TF-IDF: “Feature Extraction” Unigrama.
Comparison of LSTM and Transformer Neural Network on multiple approaches for weblogs attack detection
(Universidad ORT Uruguay, 2022) Martínez Varsi, Nicolás; Yovine, Sergio Fabián; Thao Dang; Mayr Ojeda, Franz
El siguiente desarrollo de tesis presenta la discusión y comparación de diferentes enfoques y redes neuronales para la clasificación de secuencias, en el contexto de detección de ataques en servicios web. El primer enfoque para la detección de ataques con clasificación de logs, es crear modelos de clasificación basados en caracteres. El segundo enfoque crea modelos de lenguaje que predicen la probabilidad del siguiente carácter en una secuencia, que en conjunto con una técnica de cálculo de umbrales para las probabilidades, clasifican los logs para detectar ataques. Ambos enfoques fueron trabajados con redes neuronales de tipo LSTM, así como también con redes neuronales Transformer. Las redes Transformer han tenido buenos resultados en sistemas de traducción de máquina y en problemas similares en cuanto a procesamiento de lenguaje natural, pero no ha sido explorado su uso en detección de ataques en base a logs. Para presentar las comparaciones de enfoques y redes neuronales, se realizó un análisis del estado del arte, de los enfoques a aplicar y se realizaron múltiples experimentos. Estos experimentos implicaron el desarrollo de códigos para el análisis, transformación y preparación de los “data sets”, así como el entrenamiento y evaluación de los modelos y clasificaciones. Finalmente se plantean conclusiones sobre el uso de cada enfoque y red neuronal, así como el planteo de futuros trabajos que puedan mejorar y responder cuestiones encontradas en el proyecto.
Estudio de modelos de privacidad de datos
(Universidad ORT Uruguay, 2021) Visca Zanoni, Ramiro Eugenio; Yovine, Sergio Fabián; Garbervetsky, Diego David; Zanconi, Marcelo
El presente trabajo surge como una investigación motivada por la necesidad de proteger la privacidad de los usuarios de sistemas en contextos de análisis estadístico, inteligencia artificial y publicación de datos. El trabajo se enfoca en las áreas de ciberseguridad y salud. La tesis presenta un estudio detallado del estado del arte y propone y evalúa experimentalmente diversas técnicas basadas en privacidad diferencial, analizando en cada caso el compromiso entre fuga de privacidad y pérdida de exactitud en las predicciones. Además se desarrolla un software que facilita el diseño y la realización de experimentos que combinan privacidad y aprendizaje automático.
Identificación de la Región de interés en imágenes DICOM basado en Inteligencia Artificial
(Universidad ORT Uruguay, 2021) Méndez Varela, Matías; Muñoz Bayona, Juan Pablo; Cecilia Delgado, Leonardo Raúl; Olloniego Rocca, Juan Andrés; Sorozabal Silva, Matías Nicolás
El presente trabajo aborda la identificación de regiones de interés en imágenes médicas mediante el uso de técnicas de “deep learning”. Se comienza presentando el estado del arte del dominio del problema, analizando diferentes propuestas publicadas para luego realizar una selección de dos arquitecturas que finalmente se implementan. Dichas arquitecturas se prueban con dos “datasets” diferentes para establecer una comparación entre ellas; por un lado se usan imágenes de mamografías y por otro resonancias magnéticas de cerebros, siendo las regiones de interés posibles lesiones o tumores. Además, en el proceso se investiga y se usa el estándar de imágenes médicas DICOM.
Modelado de carga de trabajo de una plataforma analítica para la predicción de la demanda de capacidad de cómputo
(Universidad ORT Uruguay, 2022) Martínez Barja, Aníbal Mauricio; Silveira Antelo, Marcos Alberto; Ferragut Varela, Ruben Andrés; Yovine, Sergio Fabián; Noguez Piacentini, Juan Ignacio
Este trabajo final busca analizar la carga de trabajo de cómputo de una plataforma analítica cloud de uso masivo. En base a los análisis realizados se pretende generar modelos predictivos utilizando diferentes técnicas para obtener predicciones de la demanda que se ejerce sobre la plataforma. Esto posibilita la optimización de los recursos lo que repercute en la disminución de costo por el uso del servicio cloud. Además del análisis se pretende desarrollar pruebas de concepto a partir de distintas técnicas de análisis de series temporales clásico, modelos de Markov escondidos y redes neuronales. El trabajo contiene el análisis detallado que se efectuó poniendo en práctica cada una de las técnicas mencionadas describiendo paso a paso las acciones y decisiones que se tomaron.

Browse

Browsing Trabajos finales de carrera de postgrado by Subject "APRENDIZAJE PROFUNDO"

Results Per Page

Sort Options