Entrenamiento de una red neuronal artificial mediante el método BFGS estructurado

Gutiérrez Caballero, Jhovanny Alexander

Entrenamiento de una red neuronal artificial mediante el método BFGS estructurado

dc.contributor.advisor	Calderón Silva, Giovanni Ernesto
dc.contributor.advisor	Arenas Aparicio, Favián Enrique
dc.contributor.author	Gutiérrez Caballero, Jhovanny Alexander
dc.contributor.evaluator	Pérez López, Jhean Eleison
dc.contributor.evaluator	Rueda Gomez, Diego Armando
dc.date.accessioned	2023-11-10T14:59:17Z
dc.date.available	2023-11-10T14:59:17Z
dc.date.created	2023-02-14
dc.date.issued	2023-02-14
dc.description.abstract	Los problemas de mínimos cuadrados no lineales son comunes en diversas áreas de la ciencia y la ingeniería, donde se busca ajustar modelos matemáticos a datos experimentales de manera que minimicen la diferencia entre los valores observados y los predichos por el modelo. Estos problemas suelen ser no lineales debido a la presencia de parámetros desconocidos en el modelo. Para abordar estos desafiantes problemas, se han desarrollado varios métodos de optimización. Tres de los enfoques más utilizados son el método de Gauss-Newton, el método de Levenberg- Marquardt y el secante estructurado BFGS. Estos métodos de optimización desempeñan un papel fundamental en la resolución de problemas de mínimos cuadrados no lineales en una amplia gama de aplicaciones. La elección del método más adecuado depende de la naturaleza específica del problema y de las características de los datos, y cada uno de estos enfoques ofrece ventajas y desventajas que deben considerarse cuidadosamente en la selección del algoritmo óptimo. En este trabajo se presenta el método secante estructurado BFGS, se analiza la convergencia del método y se presenta una aplicación del mismo en el contexto de las redes neuronales.
dc.description.abstractenglish	Nonlinear least squares problems are common in various fields of science and engineering, where the goal is to fit mathematical models to experimental data in a way that minimizes the difference between the observed values and those predicted by the model. These problems often become nonlinear due to the presence of unknown parameters in the model. To address these challenging problems, several optimization methods have been developed. Three of the most commonly used approaches are the Gauss-Newton method, the Levenberg-Marquardt method, and the BFGS structured secant method. These optimization methods play a fundamental role in solving nonlinear least squares problems across a wide range of applications. The choice of the most suitable method depends on the specific nature of the problem and the characteristics of the data, and each of these approaches offers advantages and disadvantages that should be carefully considered when selecting the optimal algorithm. This paper presents the BFGS structured secant method, analyzes the convergence of the method, and provides an application of it within the context of neural networks.
dc.description.degreelevel	Pregrado
dc.description.degreename	Matemático
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/15257
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ciencias
dc.publisher.program	Matemáticas
dc.publisher.school	Escuela de Matemáticas
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc/4.0/
dc.subject	Mínimos cuadrados no lineales
dc.subject	Redes neuronales
dc.subject	Método secante estructurado
dc.subject	Aprendizaje profundo
dc.subject.keyword	Nonlinear least square
dc.subject.keyword	Neuronal network
dc.subject.keyword	Structured secant method
dc.subject.keyword	Deep learning
dc.title	Entrenamiento de una red neuronal artificial mediante el método BFGS estructurado
dc.title.english	Training of an artificial neural network using the structured BFGS method
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type