La presente tesis doctoral aborda el estudio de un campo novedoso y prometedor, el uso de nuevas técnicas basadas en aprendizaje profundo y ensembles que afronten los problemas de alta dimensionalidad y desbalanceo de datos. Esta elección se debe al importante auge que han experimentado en los últimos años, ofreciendo resultados realmente relevantes en muchos campos de aplicación. Así mismo, la razón de afrontar los dos problemas anteriormente mencionados es que las características inherentes a los datos cambian constantemente y la tendencia es que tanto la dimensionalidad como el desbalanceo continúen aumentado.
El trabajo realizado se centra fundamentalmente en afrontar la tarea de reducción de dimensionalidad mediante el uso de Autoencoder (AE). En este sentido, se realizan tanto análisis experimentales de modelos existentes como nuevas propuestas de métodos de clasificación basados en AE. No obstante, esta tesis analiza también el problema del desbalanceo desde la perspectiva del aprendizaje profundo.
This thesis deals with the study of a new and promising field, the use of new techniques based on deep learning and ensembles that address the problems of high dimensionality and imbalance of data. This choice is due to the significant raise they have experienced in recent years, offering relevant results in many fields of application. Furthermore, the reason for facing the two problems mentioned above is that the characteristics inherent in the data are constantly changing and the tendency is that both dimensionality and imbalance continue to increase.
The work focuses on addressing the task of dimensionality reduction through the use of Autoencoder (AE). In this sense, both experimental analysis of existing models and new proposals for classification methods based on AE are carried out. However, this thesis also faces the problem of imbalance from the perspective of deep learning.