Aplicación de la Inteligencia Artificial en la Compresión de Datos

Abstract

Este proyecto estudia la compresión de datos desde la teoría de la información hasta su aplicación mediante modelos de inteligencia artificial. Se implementaron en Python algoritmos clásicos de compresión como Huffman y LZ77 para compresión sin pérdidas y DCT para compresión con pérdidas. Posteriormente, se exploraron diferentes arquitectu- ras de redes neuronales aplicadas a la compresión de imágenes, desarrollando finalmente un autoencoder variacional compacto denominado yosemite_model. El objetivo fue sobre- entrenar este modelo en un dataset reducido, logrando reconstrucciones casi perfectas y un modelo final más pequeño que el conjunto original, obteniendo así compresión específica.

This project studies data compression from information theory to its application th- rough artificial intelligence models. Classical compression algorithms such as Huffman and LZ77 for lossless compression and DCT for lossy compression were implemented in Python. Subsequently, different neural network architectures applied to image com- pression were explored, ultimately developing a compact variational autoencoder called yosemite_model. The objective was to overtrain this model on a reduced dataset, achie- ving nearly perfect reconstructions and a final model smaller than the original dataset, thus obtaining specific compression.