Framework para agilizar la aplicación de técnicas basadas en Deep Learning

Abstract

El Deep Learning está en auge. Es una de las áreas con más relevancia hoy en día dentro del ámbito de la Inteligencia Artificial, y al igual que muchos investigadores trabajan en crear nuevos modelos con los que lograr mejores resultados, también hay una gran cantidad de personas que se esfuerzan en hacer que estas nuevas tecnologías sean accesibles para el público. Por ejemplo, creando frameworks como Tensorflow, Keras, o PyTorch. Contribuyendo con este esfuerzo, en este proyecto se pretende desarrollar un framework basado en Keras/Tensorflow para agilizar la aplicación de técnicas de Deep Learning a problemas de diversa índole. Usando este framework como base, se ha creado una herramienta de interfaz gráfica que el usuario podrá utilizar, sin necesidad de programar ni de conocer ningún lenguaje/librería específico. Eliminando estos requisitos previos, se podría acercar este campo a un gran número de usuarios menos expertos o sin un currículum orientado a la informática, pero donde el Deep Learning afecta transversalmente, como las Matemáticas o las Ingenierías.

The Deep Learning field is booming. It is one of the most relevant fields on Artificial Intelligence these days, and with many researchers working on creating new models for archiving better and better results, there is also a huge effort made by people who work on making these new technologies accessible by everyone. For example, creating frameworks like Tensorflow, Keras, or PyTorch. Contributing to this effort, in this thesis we will present a new framework based on Keras/Tensorflow for streamlining the application of Deep Learning techniques to several problems. Using this framework as a base, we have developed a graphic interface tool for the user to interact with, without the need to know or use any specific programming language or library. By removing these requirements, we could close the gap between Deep Learning and amateur users, or people without a background on computer science, on fields where it affects transversely like Mathematics or Engineering.