ESTUDIO COMPARATIVO DE LOS ALGORITMOS DE APRENDIZAJE AUTOMÁTICO PARA EL RECONOCIMIENTO DE IMÁGENES

Resumen

En el artículo se exponen los objetivos de comparar la eficacia y eficiencia de diversos algoritmos de aprendizaje automático en la tarea de reconocimiento de imágenes, para facilitar la selección de los más óptimos según aplicaciones específicas. Entre los principales aportes teóricos se encuentra la conceptualización del reconocimiento de imágenes y el funcionamiento de algoritmos como las Redes Neuronales Convolucionales (CNN), Máquinas de Soporte Vectorial (SVM) y Árboles de Decisión. La metodología consistió en utilizar un conjunto de datos estandarizado con imágenes etiquetadas en varias categorías, dividido en grupos de entrenamiento, validación y prueba. Se entrenaron los modelos y se monitorearon métricas de evaluación durante la validación para luego comparar los resultados en las pruebas mediante análisis estadísticos. Los resultados evidenciaron diferencias significativas entre los algoritmos, destacando el desempeño superior de las CNN que alcanzaron un 94% de precisión en la tarea. Se concluye que las CNN son más precisas para el reconocimiento de imágenes en relación a otros algoritmos, mientras que RNN y K-Means exhiben un rendimiento menor, constituyendo hallazgos valiosos para investigaciones y aplicaciones futuras en este campo.