Se comparan dos métodos clásicos de clasificación: Análisis de Regresión Logística y Árboles de Clasificación, con el método de Redes Neuronales. La comparación se realizó en base al poder de clasificación y predicción de los modelos obtenidos en la evaluación del Riesgo Crediticio, siendo Redes Neuronales el mejor método por tener mayor poder de clasificación y predicción. Para el análisis se utilizó una Base de Datos de Riesgo Crediticio. Asimismo, se establecen las ventajas y desventajas en el empleo de cada método. Palabras Claves: Análisis de Regresión Logística, Árboles de Clasificación, Redes Neuronales. / Two classics methods of classification are compared: Analysis of Logistic Regression and Classification Trees with the method of Neural Networks. The comparison realized through his power of classification and prediction of the models obtains in the evaluation of credit risk, Neural Networks is the best method, because it has high power of classification and prediction. For the analysis used a database of credit risk. Likewise found the advantages and disadvantages in the use of each method. Key Words: Analysis Logistic Regression, Classification Trees, Neural Networks.

El documento digital no refiere un asesor / Determina mediante el uso de redes neuronales - Red kohonen la eficiencia que produce las diferentes aplicaciones de fosfitos a nivel foliar y radicular contra la enfermedad Phytopthora Cinnamoni en plantas de arándanos (Vaccinium Corymbosum) - Biloxi. Para lo cual se: se elabora dos cuadros de datos, para analizar el comportamiento del tamaño y el diámetro de las plántulas en las diferentes toma de tiempos, se elabora un cuadro para la toma de datos del tamaño de la raíz, se elabora un cuadro para la toma de datos del peso fresco y seco del follaje, se elabora un cuadro para la toma de datos para el peso seco y fresco de la raíz, se crea un programa en Matlab con uso de redes neuronales - Red kohonen, se crea varias redes con distintas cantidades de clusters, por ejemplo: tamaño de la planta vs diámetro de la planta, tamaño de la planta vs raíz, etc., en cada una de estas se crea la red de kohonen al inicio y al final con 2, 3, 4, y 7 clusters, observando en cada una de ellas la eficiencia de los fosfitos ante los fungicidas. Los resultados de estos grupos son comparados con diferentes grupos de clusters, teniendo así el resultado de la eficiencia del uso de los fosfitos y los fungicidas en las plántulas para este experimento. / Trabajo de suficiencia profesional

Publicación a texto completo no autorizada por el autor / Implementa una “red neuronal artificial” con arquitectura de retropropagación de error (“Back-Propagation”), que permita clasificar la salinidad en los suelos, usando como datos de entradas imágenes de NDVI, y datos de entrenamiento de conductividad eléctrica del suelo. El área de estudio se encuentra entre las coordenadas UTM por 614775 m E, 627345 m E y por 9277495 m N, 9255475 m N, debido a que los datos de conductividad eléctrica del suelo son obtenidos de los distritos de Lambayeque y Mochumí, localizados en el departamento de Lambayeque de la costa norte del Perú. Se usan 46 imágenes satelitales procedentes de los sensores ETM+ y TM de proyección UTM, zona 17S, y de Datum WGS84. Estas imágenes son analizadas usando el software de procesamiento de imagen ENVI 4.5 y el lenguaje de programación IDL. Se evalúan dos modelos de arquitectura de red neuronal, para el primer modelo se utiliza 1 capa oculta obteniendo un error de entrenamiento de 0.40 y en el segundo modelo se utilizó 2 capas ocultas presentando un error de entrenamiento de 0.27. / Tesis

Publicación a texto completo no autorizada por el autor / Investigación cuyo propósito es el planteamiento de técnicas predictivas, basadas en las metodologías de los modelos de las Redes Neuronales Artificial o RNA, que permitan un mejor ajuste de las características de la curva de demanda, con un alto grado de validación estadística y correcta predicción del comportamiento futuro de dicha variable. / Tesis

La inferencia de Redes Neuronales Profundas (o DNNs, por sus siglas en inglés, Deep Neural Networks) se ha vuelto cada vez más demandante en términos de almacenamiento de memoria, complejidad computacional y consumo de energía. Desarrollar hardware especializado en DNNs puede ser un proceso tedioso, que se alarga aún más si se considera el tiempo requerido en escribir software para ello. Así, esta tesis consiste en la validación del acelerador de hardware de redes neuronales NVDLA (por sus siglas en inglés, Nvidia Deep Learning Accelerator) utilizando un ambiente de co-simulación basado en su plataforma híbrida: un CPU implementado como Prototipo Virtual (PV), basado en el Quick Emulator (QEMU), y el modelo de hardware en RTL del NVDLA dentro de un FPGA. Para ello, la arquitectura más portátil del NVDLA nv_small es configurada en el FPGA de una instancia F1 del servicio E2C AWS. Para complementar el sistema, el PV del NVDLA es usado, consistiendo de un CPU Arm emulado con QEMU, ejecutando el sistema operativo Linux y el software runtime del NVDLA, dentro de una capa de SystemC/TLM conectada al FPGA de la instancia F1 a través de un puerto PCIe. Una vez que la plataforma híbrida de co-simulación está configurada, se ejecutan regresiones de pruebas de hardware en la implementación en el FPGA para revisar la propia funcionalidad e integridad de los bloques que componen al NVDLA. Luego, se ejecutan pruebas de sanidad de software en el PV para confirmar la configuración correcta de todo el sistema integrado. Finalmente, la DNN AlexNet es ejecutada. Los resultados muestran la propia funcionalidad del hardware y del PV, y que la red AlexNet se ejecutó exitosamente en el ambiente de co-simulación, tomando aproximadamente 112 minutos. / Deep neural network (DNN) inference has become increasingly demanding over the years in terms of memory storage, computational complexity, and energy consumption. Developing hardware targeting DNNs can be a lengthy process, which only grows if considered the time of writing software for it. Therefore, this thesis consists of the validation of the NVDLA deep learning hardware accelerator (NVDLA) using a co-simulation environment based on its hybrid platform: a CPU implemented as a Virtual Prototype (VP) based on Quick Emulator (QEMU) and the NVDLA RTL hardware model on a FPGA. For this, the more portable nv_small architecture of the NVDLA is configured into the FPGA of a F1 instance from the EC2 AWS service. To complement the system, the VP of the NVDLA is used, consisting of an Arm CPU emulated with QEMU running a Linux OS and the NVDLA runtime software, inside a SystemC/TLM wrapper connected to the F1 instance FPGA through a PCI express port. Once the hybrid co-simulation platform is set up, hardware regression tests are run on the FPGA implementation in order to check proper functionality and integrity of the NVDLA component blocks, sanity software tests are run on the VP to check the correct setup of the whole stack, and finally the AlexNet DNN is executed. The results showed proper hardware and VP functionality, and the AlexNet execution in the cosimulation environment was successful, taking approximately 112 minutes.

La presente tesis tiene como objetivo mostrar una estrategia diferente ante la problemática del tráfico vehicular, como sabemos el tráfico vehicular es un problema de escala mundial y contribuye negativamente al desarrollo de un país. Esto se puede ver en la cantidad de contaminación, cantidad de horas hombre perdidas, niveles de estrés y la pérdida millonaria en combustible, esta es nuestra motivación para la realización de esta Tesis. Diversas investigaciones han demostrado que las estrategias de control de secuencias rígidas, no dan solución a este problema, por tanto a nivel mundial se han desarrollado diferentes estrategias, basadas en sistemas adaptivos, sistemas adaptivos difusos, sistemas adaptivos difusos con algoritmos genéticos, redes neuronales, estas últimas han sido usadas para predicción de tráfico, reconocimiento de vehículos, etc. El presente trabajo tiene como objetivo lograr la auto organización de semáforos basándose en la cantidad de vehículos esperando el cambio de fase o cambio de estado del semáforo de rojo a verde. Llamaremos auto organización a la acción de los semáforos de cambiar de fase tomando en cuenta un determinado umbral máximo de vehículos, una vez se supere este umbral el cambio de fase se llevará a cabo, para nuestros resultados hemos considerado una intersección simple, la cual consta de una vía principal de 4 carriles y otra de 2 carriles. El presente trabajo consta de tres etapas fundamentales, el censado de los patrones de tráfico, mediante sensores invasivos de tráfico, el controlador, el cual se auto organizará en función a la cantidad de vehículos esperando el cambio de fase y el semáforo, tanto el controlador y el semáforo han sido logrados mediante la red neuronal de retro propagación, esta fue elegida debido a su capacidad para la identificación de sistemas, para poder lograr el modelo del semáforo y el mapeo inverso, para el caso del controlador. Para nuestras simulaciones y comparaciones, se disefló también un sistema de semáforo prefijado, con un tiempo de 55 segundos por cada intervalo del semáforo. Producto de las simulaciones y comparaciones se pudo concluir que el sistema logrado hace que la cantidad de autos esperando se reduzca significativamente, sobretodo en la vía principal (cuatro carriles). Además de reducir el tiempo de espera de los vehículos. Analizaremos el efecto que tiene sobre el sistema cambiar ciertos parámetros como el valor umbral, tiempo mínimo de fase verde, etc.

La presente tesis tiene como objetivo diseñar un sistema de reconocimiento de gestos manuales que traduzca gestos a necesidades básicas de la persona, con el fin de ayudar a personas de la tercera edad que padecen problemas del habla. Dicho sistema de reconocimiento de gestos es aplicado en un guante electrónico que extrae señales de la mano. Para el desarrollo de la tesis, se hace uso de dos ejes de modelamiento: modelamiento directo y modelamiento inverso. Primero, se modela por análisis paramétrico (modelamiento directo) a una mano antropomórfica que responde a los movimientos del guante electrónico; luego, se aplica identificación de sistemas por red neuronal mediante algoritmos de retropropagación a los modelos obtenidos por análisis paramétrico, con el fin de utilizar estos modelos basados en redes neuronales en el sistema de reconocimiento de gestos. Este segundo paso es el modelamiento inverso y la razón de su aplicación se fundamenta en el hecho de que se desea obtener un sistema que posea tolerancia a fallas, la cual es una propiedad de las redes neuronales. Finalmente, se diseña un núcleo de reconocimiento de gestos, el cual reconoce patrones en la data resultante de las redes neuronales. Dicho núcleo de reconocimiento de gestos es también una red neuronal y, a diferencia de otros tipos de sistemas de reconocimiento de patrones, tiene la capacidad de aprender a partir de data experimental y generar soluciones en base a lo aprendido. Los resultados obtenidos en la culminación del proyecto son que ante la presencia de ruido aditivo blanco gaussiano, el sistema alcanza un índice de reconocimiento de 99.98% cuando las condiciones son ideales (a una relación señal a ruido de 30 dB); manteniéndose por sobre 99% cuando la relación señal a ruido es mayor a 18.88 dB; por otro lado, si la relación señal a ruido en las entradas del sistema es igual a 13.67 dB, el sistema es capaz de reconocer gestos con una efectividad de 90%. Así mismo, se demuestra que el sistema es tolerante a fallas y a circunstancias no previstas en el diseño, manteniendo su porcentaje de reconocimiento por sobre 90% en condiciones ideales ante estas adversidades.

Los equipos utilizados en la molienda de minerales son los molinos de bolas, encargados de realizar la conminución del mineral. Estos equipos desarrollan elevado consumo de energía a una baja eficiencia de operación. Una de las razones de la baja eficiencia se debe a la dificultad existente para identificar el nivel de carga en el molino. Por ejemplo, al incrementar el nivel de carga al nivel óptimo, los espacios existentes entre las bolas de acero se rellenan con mineral, generando un incremento en el ratio de conminución. Por otro lado, podría pensarse que superar el nivel de carga óptimo incrementa el ratio de conminución. Sin embargo, solo satura el molino y disminuye aún más la eficiencia del proceso. Estos son algunos ejemplos que indican la importancia de conocer el nivel de carga durante la operación. El nivel de carga marca la pauta de una operación óptima y permite incrementar la eficiencia del proceso de molienda. El objetivo de la tesis fue desarrollar un sistema de control neuronal capaz de determinar el nivel de carga instantáneo del molino en base a la experiencia del operador de sala de control y mediciones de variables ampliamente conocidas en la operación de molinos: Presión, Velocidad, Impactos y Tonelaje. La principal ventaja del sistema de control desarrollado es la medición en tiempo real de una variable que no es posible determinar directamente con algún sistema de instrumentación en campo. Adicionalmente, si el molino está operando fuera del nivel óptimo de carga, el sistema de control proporciona las acciones típicas correctivas. El sistema de control neuronal fue desarrollado en las plataformas Control Builder 5.1 y System800xA (Sistema de Control Distribuido) del fabricante ABB. Las señales de campo se integraron al sistema a través de “Cableado Duro” (4…20mA) y “Modbus TCP”. Asimismo, se utilizó el algoritmo neuronal supervisado “Retropropagación” a fin de entrenar la red neuronal. Finalmente, se realizaron pruebas al sistema de control y se obtuvo el nivel de carga del molino con un error máximo de 4.22%.

El presente trabajo trata sobre el análisis de la demanda de efectivo en las oficinas de provincia de una entidad bancaria tomando como base la metodología que se sigue actualmente a fin de identificar oportunidades de mejora que permitan tener resultados óptimos en los indicadores establecidos. Este análisis está centrado en la evaluación de la exactitud y precisión que son necesarias en el cálculo de los pronósticos de demanda para cada tipo de oficina existente, de manera que se puedan aplicar los modelos y la metodología que permitan obtener información más cercana a la realidad. En los primeros capítulos se definen los conceptos y etapas del proceso de extracción del conocimiento, para luego, por medio de estos, describir y explicar las redes neuronales, método elegido para la solución de la problemática expuesta. Asimismo, se detalla la situación actual del proceso que es objeto de análisis, identificando los factores que serían relevantes para la ejecución del modelo. En los capítulos posteriores, se procedió con el análisis de los datos obtenidos, de modo que se puedan identificar las variables relevantes que se incluirían dentro del modelo. De igual forma, se describe la lógica y los parámetros a tomar en cuenta para el mismo, y que dan origen a las diferentes etapas de prueba y error para llegar a los resultados esperados. Para ello, se recopilaron los datos necesarios de los movimientos en las oficinas los cuales sirvieron como datos de entrada para las redes neuronales generadas. El software empleado fue NeuralTools 5.7, debido a los beneficios que éste proporciona, desde el manejo de datos en hojas de cálculo, las cuales utilizan la interfaz de MS Excel, hasta el uso de herramientas y aplicaciones dinámicas que permiten manipular los datos de forma más sencilla optimizando tiempos. Finalmente, se procedió con la evaluación de los resultados obtenidos, haciendo la comparación de los valores predichos con los resultados reales, logrando alcanzar un porcentaje de exactitud de 93.18% para los pronósticos de una oficina mixta y de 91.98% para los de una oficina captadora, generando una expectativa de ahorro de S/. 25,000.00 anuales.

Dentro del ámbito educativo nacional, la Inteligencia espacial, a pesar de haber demostrado estar relacionada con una serie de habilidades que permiten y estimulan la creación y el desarrollo matemático y científico, no es muy reconocida y posee pocas herramientas que ayuden a su desarrollo en niños de edad preescolar, etapa en la que este se recomienda ampliamente. Sumado a esto encontramos la necesidad de herramientas que contribuyan en la enseñanza cuyos requerimientos han crecido en cantidad y complejidad en las últimas décadas, y que involucren modos innovadores de llevar el conocimiento aprovechando las tecnologías disponibles. La necesidad de contribuir con la educación también surge de los requerimientos del Aprendizaje Adaptativo, el cual es una metodología que, a través de la adecuación del nivel del contenido que se desea enseñar, permite al estudiante una experiencia de aprendizaje personalizada y más efectiva en resultados. Esta metodología aprovecha las posibilidades de interacción que proporcionan las tecnologías de información y la capacidad de procesamiento de los equipos informáticos para lograr su objetivo. La presente tesis describe el desarrollo de una aplicación educativa gamificada de apoyo en el desarrollo de la Inteligencia espacial en niños de etapa preescolar, e involucra el uso de tecnologías que permitan adaptar al estudiante la dificultad del juego presentado por el aplicativo. Para esto se hizo uso de métodos de Ajuste Dinámico de la Dificultad, a través de redes neuronales y aprendizaje supervisado. El entorno de juego está basado en el uso de representaciones virtuales de bloques lógicos, mediante los cuales se le presenta al alumno una figura la cual este debe imitar manipulando, mediante la pantalla táctil, otro conjunto bloques similares. Se evaluaron siete métricas en el desempeño del usuario relacionadas a cuan correcta es su respuesta en los siguientes conceptos: Encaje, ubicación, forma, tamaño, color, rotación y textura. Mediante estas métricas la aplicación elige el siguiente escenario a presentar al usuario ajustando diez atributos en dicho escenario. El proceso de adaptación busca introducir las métricas del usuario a un rango de acierto deseado y se realiza en dos pasos. Primero, se realiza sin presencia del usuario un entrenamiento de redes neuronales mediante propagación hacia atrás con información de casos base. Este primer paso permite obtener una versión inicial de la adaptabilidad. Y segundo, luego de cada ronda, se evalúa la respuesta del usuario mediante un conjunto de eventos que determinan la efectividad de la red neuronal para introducir a un usuario especifico al rango deseado, y se modifica la red usada para ese usuario con los resultados obtenidos. En los resultados del proyecto se observó que la metodología empleada es efectiva para el caso propuesto, logrando introducir las métricas en el rango luego de un número de rondas jugadas. La evaluación de requerimientos computacionales (velocidad, efectividad, robustez y eficiencia) y funcionales (claridad, variedad, consistencia y escalabilidad) para una AI adaptativa también muestra resultados positivos. Sobre la rapidez de la solución, la respuesta para ambos modelos (solo entrenamiento inicial y modificación por eventos) es imperceptible para el usuario. En cuanto eficacia se logró resultados positivos, logrando mejorar las métricas respecto a un algoritmo manual en más del 70% de los casos y obteniendo un aumento promedio comparándola a un algoritmo manual de +0.012 para las redes neuronales y +0.02 para el aprendizaje supervisado. Estos valores representan el 13% y el 22% de la máxima mejora posible respectivamente. En cuanto a la robustez y eficacia, ambos modelos lograron adaptar la respuesta al usuario en la mayoría de casos y en un número similar de rondas, aunque el aprendizaje supervisado mostró ser más efectivo en el primer criterio, mejorando los resultados del algoritmo manual. Respecto a la variedad de los escenarios presentados se obtuvo, mediante la modificación por eventos, una menor variación entre estos, lo que se relaciona con la mejor adaptabilidad alcanzada. Y sobre la escalabilidad, ambos modelos mostraron resultados positivos para los tres niveles de desempeño evaluado, aunque el aprendizaje supervisado muestra ser más efectivo. Estos resultados permiten identificar beneficios en el uso de esta metodología específicamente para el ámbito evaluado, así como identificar en qué casos específicos es más efectiva. Los resultados positivos encontrados que en conjunto indican que se ha logrado realizar una aplicación que cumple en presentar al usuario un entorno adaptativo, hacen válido el seguir este camino para futuras investigaciones en la exploración de las aplicaciones gamificadas educativas de apoyo a la inteligencia espacial.