Resumen

Las redes neuronales artificiales (RNA) se han utilizado ampliamente en aplicaciones de reconocimiento y clasificación de patrones. Sin embargo, las RNA son notablemente lentas en el cálculo, especialmente cuando el tamaño de los datos es grande. Hoy en día, el big data ha recibido un gran impulso tanto en la industria como en el mundo académico. Para aprovechar el potencial de las RNA en aplicaciones de big data, es necesario acelerar el proceso de cálculo. Para ello, este trabajo paraleliza las redes neuronales basándose en MapReduce, que se ha convertido en un importante modelo de computación para facilitar las aplicaciones de datos intensivos. En el proceso de paralelización se consideran tres escenarios de datos intensivos en cuanto al volumen de datos de clasificación, el tamaño de los datos de entrenamiento y el número de neuronas de la red neuronal. El rendimiento de las redes neuronales paralelizadas se evalúa en un clúster informático experimental de MapReduce desde los aspectos de precisión en la clasificación y eficiencia en el cálculo.

• Materias:Inteligencia artificial Algoritmos genéticos Ingeniería civil Neurociencia Cognitiva
• Subjects:Artificial intelligence Genetic algorithms Civil engineering Cognitive Neuroscience
• Palabras claves:red neuronal, número de neuronas, aspectos de precisión, red neuronal artificial, red neuronal paralelizada, clúster informático mapreduce, volumen de clasificación, tamaño de los datos, aplicación de big data, modelo informático mayor
• Keywords:neural network, number of neurons, aspects of accuracy, artificial neural network, parallelized neural network, mapreduce computer cluster, volume of classification, size of data, big data application, major computing model