Uso de métodos de Deep Learning para clasificación de compuestos nanoestructurados heterogéneos

Uso de métodos de Deep Learning para clasificación de compuestos nanoestructurados heterogéneos

La inteligencia artificial y nanotecnología son dos campos de la ciencia que están cambiando el mundo y empujando hacia novedades en soluciones de la vida diaria. Este trabajo usa la inteligencia artificial en su rama de aprendizaje profundo (Deep learning) usando redes neuronales convolucionales en...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Cabrera Ramos, Carlos Eduardo
Otros Autores: Flores Gutiérrez, Dora Luz
Lenguaje:spa
Publicado: Universidad Autónoma de Baja California, Facultad de Ingeniería, Arquitectura y Diseño. 2022
Materias:
Ingeniería||Tesis
QA76.87 C32 2022
Acceso en línea:https://hdl.handle.net/20.500.12930/9127
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
id repositorioinstitucional-20.500.12930-9127
record_format dspace
spelling repositorioinstitucional-20.500.12930-91272023-05-14T18:11:18Z Uso de métodos de Deep Learning para clasificación de compuestos nanoestructurados heterogéneos Cabrera Ramos, Carlos Eduardo Flores Gutiérrez, Dora Luz Ingeniería||Tesis QA76.87 C32 2022 La inteligencia artificial y nanotecnología son dos campos de la ciencia que están cambiando el mundo y empujando hacia novedades en soluciones de la vida diaria. Este trabajo usa la inteligencia artificial en su rama de aprendizaje profundo (Deep learning) usando redes neuronales convolucionales en visión computacional mediante imágenes nanoestructuradas heterogéneas obtenidas en microscopía electrónica de transmisión (TEM) a partir de materiales sintetizados que generan luz blanca, para clasificar los compuestos químicos que la integran en las escalas nanométrica y micrométrica. 2022-07-13T05:15:28Z 2022-07-13T05:15:28Z 2022 https://hdl.handle.net/20.500.12930/9127 spa https://drive.google.com/file/d/1N_-GLu4LM4vZiay8D01ctYTa9BJg4UKx/view?usp=sharing openAccess http://creativecommons.org/licenses/by-nc-nd/4 i, vii, 60 p. : il. pdf application/pdf Ensenada, Baja California. Universidad Autónoma de Baja California, Facultad de Ingeniería, Arquitectura y Diseño.
institution Repositorio Institucional
collection DSpace
language spa
topic Ingeniería||Tesis
QA76.87 C32 2022
spellingShingle Ingeniería||Tesis
QA76.87 C32 2022
Cabrera Ramos, Carlos Eduardo
Uso de métodos de Deep Learning para clasificación de compuestos nanoestructurados heterogéneos
description La inteligencia artificial y nanotecnología son dos campos de la ciencia que están cambiando el mundo y empujando hacia novedades en soluciones de la vida diaria. Este trabajo usa la inteligencia artificial en su rama de aprendizaje profundo (Deep learning) usando redes neuronales convolucionales en visión computacional mediante imágenes nanoestructuradas heterogéneas obtenidas en microscopía electrónica de transmisión (TEM) a partir de materiales sintetizados que generan luz blanca, para clasificar los compuestos químicos que la integran en las escalas nanométrica y micrométrica.
author2 Flores Gutiérrez, Dora Luz
author_facet Flores Gutiérrez, Dora Luz
Cabrera Ramos, Carlos Eduardo
author Cabrera Ramos, Carlos Eduardo
author_sort Cabrera Ramos, Carlos Eduardo
title Uso de métodos de Deep Learning para clasificación de compuestos nanoestructurados heterogéneos
title_short Uso de métodos de Deep Learning para clasificación de compuestos nanoestructurados heterogéneos
title_full Uso de métodos de Deep Learning para clasificación de compuestos nanoestructurados heterogéneos
title_fullStr Uso de métodos de Deep Learning para clasificación de compuestos nanoestructurados heterogéneos
title_full_unstemmed Uso de métodos de Deep Learning para clasificación de compuestos nanoestructurados heterogéneos
title_sort uso de métodos de deep learning para clasificación de compuestos nanoestructurados heterogéneos
publisher Universidad Autónoma de Baja California, Facultad de Ingeniería, Arquitectura y Diseño.
publishDate 2022
url https://hdl.handle.net/20.500.12930/9127
_version_ 1792608812049367040

Ejemplares similares