2026-09-16T02:59:48Zhttps://gredos.usal.es/oai/request

oai:gredos.usal.es:10366/1581582025-04-30T22:01:18Zcom_10366_4829com_10366_4843col_10366_138209

00925njm 22002777a 4500 dc Gómez Marcos, Ana author 2023-09 [ES]El machine learning (ML) es un subconjunto de la Inteligencia Artificial (IA), se centra en la capacidad de las máquinas para recibir un conjunto de datos y aprender por sí mismos, adaptando los algoritmos usados a medida que aprenden más sobre la información que es procesada. Este aprendizaje puede ser usado en muy diversos ámbitos, en este caso nos centraremos en sus usos en el ámbito de la investigación. A pesar de su gran potencia aún sigue costando acomodar su uso a situaciones determinadas y por eso la idea del proyecto es precisamente esa, desarrollar y adaptar un modelo de machine learning para poder aplicarlo a una situación específica, de manera que siga los principios de Machine Learning Operations (MLOps) en el sentido de que involucra la implementación y despliegue de un modelo de Machine Learning en un entorno de laboratorio. El objetivo es entrenar y mejorar el modelo que se va a desarrollar, usando una rama del machine learning (ML) llamada deep learning (DL) o aprendizaje profundo, para que pueda distinguir de forma acertada los elementos requeridos en imágenes realizadas por microscopio, y a su vez beneficiarse de las mejores prácticas de MLOps para garantizar un despliegue rápido y eficiente, todo esto con la finalidad de poder ayudar a reducir los tiempos que se invierten en este sentido en el campo de la investigación, donde los tiempos son un elemento fundamental y así poder realizar los cálculos necesarios sobre las imágenes analizadas, permitiendo a los investigadores dedicar más esfuerzo a otras actividades más pertinentes. En particular, se enfocará en la detección de células, las cuales desempeñan un papel crucial en el diagnóstico y estudio de diversas patologías, como el cáncer, por ejemplo. Esto se debe a que identificar las células marca el punto de partida para numerosos análisis. Las características de estas células, como su densidad o brillo en una imagen, aportan datos sumamente importantes en una variedad de estudios. Esto resalta la potencia de esta disciplina en el sector, al mismo tiempo que se presentan los procedimientos para generar un modelo de machine learning. Para demostrar la utilidad y aplicabilidad de estas complejas técnicas de aprendizaje automático al público en general, se ha concebido la idea de crear una interfaz interactiva. Esta interfaz proporcionará a los usuarios una experiencia visualmente más atractiva y comprensible que les permitirá experimentar de primera mano cómo funciona el modelo de aprendizaje automático que hemos desarrollado. Uno de los objetivos principales es eliminar las barreras entre las técnicas de aprendizaje automático y el público en general, haciendo que conceptos a menudo complejos sean accesibles, emocionantes y sobre todo útiles. Se desea mostrar cómo el machine learning, así como el uso de la práctica de Machine Learning Operations, no son sólo una herramienta poderosa en manos de expertos, sino también una tecnología que puede tener un impacto directo en la mejora de la investigación. [EN]Machine Learning (ML) is a subset of Artificial Intelligence (AI) that focuses on machines' ability to receive a dataset and learn autonomously, adapting the algorithms used as they gain more knowledge about the processed information. This learning can be applied in various fields, but in this case, we will concentrate on its applications in the realm of research. Despite its immense potential, accommodating its use for specific situations still poses challenges. That's precisely the project's idea: to develop and tailor a machine learning model to apply it to a specific scenario while adhering to the principles of Machine Learning Operations (MLOps). This involves implementing and deploying a Machine Learning model in a laboratory environment. The goal is to train and enhance the model being developed, utilizing a branch of machine learning called deep learning (DL). This ensures that it can accurately distinguish the required elements in microscope images and, at the same time, benefit from MLOps best practices to ensure a fast and efficient deployment. The ultimate aim is to reduce the time invested in this regard in the field of research, where time is a crucial factor, enabling researchers to focus more effort on other relevant activities. Specifically, the focus will be on cell detection, which plays a crucial role in the diagnosis and study of various pathologies, such as cancer, for instance. Identifying cells marks the starting point for numerous analyses. The characteristics of these cells, such as density or brightness in an image, provide highly valuable data in various studies. This underscores the power of this discipline in the sector while presenting the procedures for generating a machine learning model. To demonstrate the utility and applicability of these complex machine learning techniques to the general public, the idea of creating an interactive interface has been conceived. This interface will provide users with a visually appealing and comprehensible experience, allowing them to firsthand experience how the developed machine learning model operates. One of the main objectives is to eliminate barriers between machine learning techniques and the general public. This involves making often complex concepts accessible, exciting, and, most importantly, useful. The aim is to show that machine learning, as well as the practice of Machine Learning Operations, is not just a powerful tool in the hands of experts but also a technology that can have a direct impact on improving research. http://hdl.handle.net/10366/158158 Inteligencia Artificial Red Neuronal Algoritmo Artificial Intelligence Machine Learning Neural Network Algorithm Machine Learning Operations (MLOps) Desarrollo de Técnicas de Machine Learning Operations (MLOPS)