Machine learning implementations on Neurosuites software

Nugra Madero, Hugo Ernesto (2020). Machine learning implementations on Neurosuites software. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).

Description

Title: Machine learning implementations on Neurosuites software
Author/s:
  • Nugra Madero, Hugo Ernesto
Contributor/s:
  • Bielza Lozoya, María Concepción
  • Larrañaga Múgica, Pedro
Item Type: Thesis (Master thesis)
Masters title: Ciencia de Datos
Date: October 2020
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (4MB) | Preview

Abstract

El aprendizaje automático ha sido una de las áreas de más rápido crecimiento en el campo de la informática. Varias entidades públicas y privadas están realizando importantes esfuerzos tomar ventaja de este nuevo conjunto de herramientas. Hoy es posible ver el efecto de la inteligencia artificial a través del aprendizaje automático en los sistemas de recomendación, el reconocimiento facial o el procesamiento del lenguaje natural. Por otro lado, una nueva tecnología produce una brecha entre las personas con experiencia en el dominio y las que no. En este caso, el uso de algoritmos de Machine Learning queda relegado a personas que tienen la capacidad de programar software. Esta habilidad hoy no está tan extendida como se necesita y ahora aún más con la próxima ola de innovaciones traídas por los avances en Inteligencia Artificial. Quizás existen algunas herramientas para realizar Machine Learning a través de una interfaz de usuario sin escribir código, sin embargo, una suite web completa para realizar Machine Learning parece necesaria para reducir esta brecha. NeuroSuites es un proyecto creado en la UPM (Universidad Politécnica de Madrid) como parte del Proyecto Horizonte 2020 Fet Flagship Human Brain Project y de un proyecto financiado por el Ministerio de España (TIN2016 -P). Incluye un conjunto de herramientas para trabajar con neurociencia. Hay dos módulos hechos para un propósito general: estadística de datos y aprendizaje automático. Con la idea de hacer que el aprendizaje automático esté disponible para más usuarios, El Grupo de Inteligencia Computacional (CIG por sus siglas en inglés) ha incluido el módulo de aprendizaje automático dentro de NeuroSuites, que permite a la sociedad utilizar estas nuevas técnicas sin el requisito de saber escribir código de software. Este estudio se compone de la implementación de cuatro partes: preprocesamiento de datos, agrupamiento no probabilístico, clasificación multi-etiqueta y cambios visuales. El primero es agregar preprocesamiento al módulo de clasificación supervisada ya implementado. Con él, el usuario tendrá un conjunto de opciones para realizar cambios y configuraciones para preparar el conjunto de datos que se pasará a los algoritmos de clasificación. La funcionalidad de agrupamiento no probabilístico permite el uso de varios algoritmos para crear y analizar grupos a partir de un conjunto de datos, siguiendo el flujo sugerido por la aplicación. La clasificación de etiquetas múltiples se implementa sobre el módulo de clasificación supervisado. La forma en la que este módulo funciona depende del número de variables objetivo seleccionadas por el usuario. En el caso de la clasificación de etiquetas múltiples, los usuarios tienen una lista de distintos algoritmos para trabajar con este tipo de datos. Finalmente, se han realizado cambios visuales en la aplicación para darle una imagen más actual y armoniosa.---ABSTRACT---Machine Learning has been one of the fastest-growing areas in the Computer Science field. Several public and private entities are making significant efforts to take the approach of this new set of tools. Today it is possible to see the effect of Artificial Intelligence through Machine Learning on recommendation systems, facial recognition, or natural language processing. On the other hand, a new technology produces a gap between the people with expertise in the domain and those who do not. In this case, the use of Machine Learning algorithms is relegated to people who know how to program software. Already this skill is not as spread as needed and now even more with the upcoming wave of innovations brought by the advances on Artificial Intelligence. Perhaps there are some tools for performing Machine Learning through a user interface without writing code, a complete web suite for performing machine learning seems necessary for reducing this gap. NeuroSuites is a project created at the UPM (Universidad Politécnica de Madrid) as part of the Horizon 2020 Fet Flagship Human Brain Project and of a Spanish Ministryfunded project (TIN2016 -P). It includes a set of tools for working with neuroscience. There are two modules made for a general-purpose: data statistics and machine learning. With the idea of making machine learning available to more users, The Computer Intelligence Group has included the Machine Learning module inside NeuroSuites, which allows the society to use these new techniques without the necessity of coding software. This study is composed of the implementation of four parts: data pre-processing, non-probabilistic clustering, multi-label classification and visual changes. The first one is adding pre-processing to the already implemented supervised classification module. With it, the user will have many options to make changes and configurations to prepare the dataset that will be passed to the classification algorithms. The non-probabilistic clustering functionality allows the use of many algorithms to create and analyze clusters from a dataset, following the flow suggested by the application. The multi-label classification is implemented over the supervised classification model. The way NeuroSuites works within it depends on the number of target variables selected. In the case of multi-label classification, users have a list of options for working with this type of dataset. Finally, visual changes have been made to the application for giving it a fresher and more harmonious image.

More information

Item ID: 65538
DC Identifier: http://oa.upm.es/65538/
OAI Identifier: oai:oa.upm.es:65538
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 24 Nov 2020 15:42
Last Modified: 24 Nov 2020 15:42
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM