Examinando por Materia "Machine Learning"

Mostrando 1 - 3 de 3
  • Miniatura
    PublicaciónAcceso abierto
    Desarrollo de una herramienta para la detección de nubes precipitables en imágenes meteorológicas GOES-16 usando técnicas de Machine Learning.
    (Universidad del Valle, 2020) Lemos García, Natalia; Rodas Arias, Santiago; Baquero Montoya, Olga Lucía; Morales, Wilfredo Alfonso
    El Machine Learning es un conjunto de técnicas derivadas de la inteligencia artificial, cuyo objetivo es crear algoritmos automatizados a partir de patrones relacionados con un fenómeno. Este trabajo realizó un estudio comparativo de 3 métodos de aprendizaje para desarrollar una herramienta de clasificación de nubes precipitables en Colombia. Entre los métodos seleccionados se implementaron Random Forest, Maquinas de Soporte Vectorial y Redes Neuronales Artificiales. Para este trabajo se contó con datos de precipitación de 52 estaciones meteorológicas del IDEAM e imágenes del satélite GOES - 16 en el mismo intervalo de tiempo, donde se reportaron presencia/ausencia de nubes (precipitables/noprecipitables). Con la información satelital se tomaron 3 patrones de textura (varianza, media y homogeneidad) en 7 de las 16 bandas: azul, rojo, infrarrojo cercano, vapor de agua nivel bajo, medio y alto, e infrarrojo térmico. Se realizo un análisis de sensibilidad de hiper- parámetros con el propósito de seleccionar los mejores clasificadores entre los tres métodos. Los resultados obtenidos con el 40% del conjunto de datos, presentan desempeños de 99.87%, 99.97% y 100% para Random Forest, Maquinas de Soporte Vectorial y Redes Neuronales Artificiales respectivamente. Finalmente, este trabajo presenta una interfaz de usuario, para hacer la selección del clasificador y cargar la imagen multiespectral del GOES -16. La interfaz permite exportar la máscara obtenida para efectos de análisis en formato tif.
  • Miniatura
    PublicaciónAcceso abierto
    Identificacion de instrumentos de musica andina utilizando tecnicas de Machine Learning
    (Universidad del Valle, 2025) Correa Valencia, Willian David; Ocampo Arbelaez, Hector Fabio
    Este proyecto presenta el desarrollo de un sistema de identificación de instrumentos musicales específicos de la región andina utilizando diferentes técnicas de Machine Learning. El sistema propuesto emplea algoritmos de clasificación para analizar y categorizar sonidos musicales, facilitando la identificación automática de instrumentos como la quena, el charango, la zampoña y el bombo andino, entre otros adicionales. Se recolectarán datos acústicos de diversas fuentes y se procesarán para extraer características relevantes que alimenten los modelos de aprendizaje automático.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo inteligente para especificar dependencia y complejidad en el diseño de aplicaciones basadas en microservicios
    (Universidad del Valle, 2025) TAPIA-CERDA, VERONICA; Gaona, Carlos
    La tesis aborda la creación de un modelo inteligente para evaluar dependencia y complejidad en arquitecturas basadas en microservicios, denominado MOAM (Microservices Optimization Architectures Model). Este modelo combina técnicas avanzadas de Machine Learning (ML) y Procesamiento de Lenguaje Natural (NLP) para optimizar decisiones arquitectónicas desde las etapas tempranas del desarrollo. Las principales motivaciones fueron abordar desafíos de evaluación de arquitecturas de microservicios y el limitado número de herramientas de evaluación y optimización de estas arquitecturas. Todos los objetivos se cumplieron porque MOAM es un modelo inteligente que especifica dependencia y complejidad en el diseño arquitectónico de aplicaciones basadas en microservicios, apoyado en técnicas de ML y NLP. La metodología utilizada se basó en un enfoque iterativo que integró desde la revisión sistemática de literatura, la creación del modelo que analiza descripciones arquitectónicas, despliegue de resultados y la comprobación de validez mediante casos de estudio. MOAM demostró ser una herramienta eficaz para evaluar arquitecturas de microservicios. Los principales resultados son métricas de evaluación, optimización arquitectónica porque identifica áreas problemáticas y genera recomendaciones de mejora. Contribuye a optimizar la forma de diseñar y evaluar arquitecturas por su capacidad para analizar y generar resultados automatizados. Se identificaron ciertas limitaciones relacionadas con la escalabilidad del modelo en sistemas extremadamente grandes, se recomienda continuar la investigación para optimizar su aplicabilidad. Además de MOAM, el trabajo aporta un conjunto de métricas, un modelo matemático para evaluar dependencia y complejidad y el uso de técnicas de NLP en el diseño de arquitecturas de microservicios.