000			03052nam a22003377a 4500
003			EC-UrYT
005			20230321135639.0
008			150116t9999 mx r gr 000 0 spa d
040			_cEC-UrYT
041			_aeng _bspa
100	1		_915140 _aCumbicus Jiménez, Andy Mauricio _eautor
245	1		_aDeep Gaussian processes for the analysis of EEG signals in Alzheimer's diseases / _cAndy Mauricio Cumbicus Jiménez ; tutor Saba Rafael Infante Quirpa
264		4	_aUrcuquí, _c2023
300			_a81 hojas : _bilustraciones (algunas a color) ; _c30 cm + _e1 CD-ROM
502			_aTrabajo de integración curricular _b(Matemático/a). _cUniversidad de Investigación de Tecnología Experimental Yachay. _gUrcuquí, _d2023
504			_aIncluye referencias bibliográficas (páginas 47-58)
506			_aTrabajo de integración curricular con acceso abierto
516			_aTexto (Hypertexto links)
520			_aLos procesos Gaussianos profundos (DGPs) se representan jerárquicamente mediante una composición secuencial de procesos Gaussianos a prior, y son equivalentes a una red neuronal multicapa (NN) de ancho infinito. Los DGPs son modelos estadísticos no paramétricos y se utilizan para caracterizar los patrones de sistema no lineales complejos, por su flexibilidad, mayor capacidad de generalización, y porque proporcionan una forma natural para hacer inferencia sobre los parámetros y estados del sistema. En este artículo se propone una estructura Bayesiana jerárquica para modelar los pesos y sesgos de la red neuronal profunda, se deduce una formula general para calcular las integrales de procesos Gaussianos con densidades de transferencias no lineales, y se obtiene un núcleo para estimar las funciones de covarianzas. Para ilustrar la metodología se realiza un estudio empírico analizando una base de datos de electroencefalogramas (EEG) para el diagnóstico de la enfermedad de Alzheimer. Adicionalmente, se estiman los modelos DGPs, y se comparan con los modelos de NN para 5, 10, 50, 100, 500 y 1000 neuronas en la capa oculta, considerando dos funciones de transferencia: Unidad Lineal Rectificada (ReLU) y tangente hiperbólica (Tanh). Los resultados demuestran buen desempeño en la clasificación de las señales. Finalmente, utilizó como medida de bondad de ajuste el error cuadrático medio para validar los modelos propuestos, obteniéndose errores de estimación bajos.
546			_aTextos en inglés con resúmenes en español e inglés
650		0	_915141 _aElectroencefalogramas
650		0	_915142 _aDeep Gaussian Process
650		0	_912703 _aAlzheimer’s Disease
650		0	_912775 _aElectroencephalogram
650		0	_9189 _aMatemáticas _vTrabajos y disertaciones académicas
700	1		_911524 _aInfante Quirpa, Saba Rafael _etutor
710	1		_911232 _aUniversidad de Investigación de Tecnología Experimental Yachay. _bEscuela de Ciencias Matemáticas y Computacionales
856			_zVer recurso _uhttp://repositorio.yachaytech.edu.ec/handle/123456789/605
942			_2ddc _cTIC
999			_c4384 _d4384