Publicaciones en Congresos, Conferencias y Jornadas

Permanent URI for this collectionhttp://48.217.138.120/handle/20.500.12272/535

Browse

Author: search.filters.author.Pacchiotti, Mauro José

Search Results

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Reúso de un modelo de Aprendizaje Profundo para reconocimiento de dígitos manuscritos
    (52º JAIIO / AGRANDA 2023, 2023-09) Pacchiotti, Mauro José; Ballejos, Luciana; Ale, Mariel Alejandra
    Las técnicas de Aprendizaje Automático (AA) han avanzado significativamente en la solución de diversos problemas, lo que ha llevado a una amplia difusión en su uso y desarrollo. Actualmente existen distintos modelos que han alcanzado un alto nivel de desempeño, lo que plantea la duda de qué hacer cuando nos enfrentamos a un problema para el cual ya existe un modelo muy eficiente. Desde hace tiempo esta situación ha impulsado la investigación y el desarrollo de diferentes técnicas para reutilizar estos modelos, en lugar de emprender el diseño, implementación y entrenamiento de uno nuevo, con todo el esfuerzo que ello conlleva. En este trabajo se presenta un problema de clasificación y se propone la reutilización de una red neuronal convolucional con el objetivo de reconocer números manuscritos. Asimismo, se ha evaluado el desempeño del modelo reutilizado.
  • Thumbnail Image
    Item
    Prototipo de software basado en aprendizaje profundo para mantenimiento predictivo en la Industria 4.0
    (CONAIISI 2021, 2021-11) Pacchiotti, Mauro José; Paletto, Pablo Andrés
    En la Industria 4.0, la utilización de las TICs posibilita la recolección y procesamiento de gran cantidad de datos acerca del funcionamiento de los diferentes equipamientos industriales, por lo que representa un desafío el aprovechar los conjuntos de datos de distintos sensores para tareas de mantenimiento predictivo de los dispositivos. Este trabajo propone un modelo experimental que simula la captura de datos y clasificación del estado de un dispositivo en tiempo real, utilizando datos sintéticos, datos provistos por la industria y modelos de aprendizaje profundo. Se realizaron dos experimentos con series de datos de diferente origen y características para entrenar los modelos de aprendizaje profundo, logrando una alta precisión en la predicción del estado del dispositivo en función de los valores de los sensores en los instantes previos.