Análisis de modelos predictivos basados en visión computacional aplicados al paralelismo.

Abstract

En el siguiente informe final de tesis tiene como finalidad presentar los resultados de la investigación del comportamiento de modelos predictivos basados en Visión Computacional cuando están bajo la influencia del paralelismo, es decir cuando los procesos del cálculo computación se segmentan y procesan en paralelo, en este caso se adiciona al CPU el GPU. Si bien las nuevas arquitecturas computacionales son potentes en procesamiento de datos a comparación de décadas anteriores, esto aún no es suficiente para cubrir las necesidades de resultados inmediatos para la toma de decisiones, de aquí la necesidad de poder obtener el mejor algoritmo que dé resultados óptimos cuando esta aplicado al paralelismo. Para se tiene como objetivo comprobar si el paralelismo afecta significativamente a las dimensiones de los algoritmos que son la precisión y el tiempo de procesamiento. Para la experimentación se trabajó con el dataset MNIST que cuenta con 60000 datos para el entrenamiento y 10000 datos para la validación, utilizándose los algoritmos de machine learning como Red Neuronal Artificial (RNA) y los Nearest Neighbor (KNN); y algoritmos de deep learning como Red Neuronal Convolucional (RNC) y Red Neuronal Recurrente Bidireccional (RNCB). Se tomó datos de la experimentación cuando se aplicó con CPU y cuando se aplicó con CPU+GPU, con el objeto de poder aceptar o rechazar las hipótesis planteadas. De los resultados se puede concluir que el paralelismo en el caso de la precisión no afecta al mismo, y en el caso del tiempo de procesamiento hay mejores significativas en los algoritmos KNN, RNC y RNCB, a excepción de la RNA por no contar con mucha complejidad que paralelizar. Palabras clave: Paralelismo, Visión computacional, Redes Neuronales, Convolucional.