Browsing by Subject "Classification"
Now showing 1 - 4 of 4
Results Per Page
Sort Options
Item Análisis de imágenes satelitales para la clasificación de ecosistemas en predios(Pontificia Universidad Javariana Cali, 2024) Quiroz Moscarella, Roberto Enrique; Santos Peñuela, Francisco José; Castaño Idárraga, Omar AndrésEl proyecto aplicado se centra en la segmentación de imágenes satelitales de predios para identificar ecosistemas. Aborda la problemática del trabajo manual requerido para segmentar zonas en imágenes, especialmente en la elaboración de proyectos de bonos de carbono. Se desarrolló un algoritmo funcional que permita a los investigadores segmentar grandes extensiones de tierra de manera eficiente, reduciendo el tiempo necesario para esta tarea. Los resultados obtenidos permiten la automatización del proceso de segmentación, particularmente sobre zonas verdes y cuerpos de agua permitiendo la evaluación de su extensión. Las posibles aplicaciones de este proyecto abarcan la investigación ambiental, la planificación del uso del suelo y la gestión de recursos naturales.Item Clasificación basada en Machine Learning para la identificación de marcadores genéticos utilizando patrones estructurales asociados con cáncer de mama(Pontificia Universidad Javeriana Cali, 2025) González Martínez, Lina Yojana; Hurtado Siabato, Carlos Eduardo; Pérez Ruiz, Camilo Andrés; Tobar Tosse, Henry FabiánSegún el Observatorio Global del Cáncer de la Organización Mundial de la Salud, el cáncer de mama sigue siendo una de las principales causas de mortalidad a nivel mundial, presentando tasas de incidencia especialmente altas en algunas regiones de América Latina. En respuesta a esta situación, el presente estudio presenta un marco integrador fundamentado en aprendizaje automático para el análisis de datos genómicos de alta dimensión procedentes de pacientes latinoamericanos. En primer lugar, se implementó un modelo de clasificación capaz de identificar marcadores genéticos a partir de patrones estructurales y de contextos loci específicos, evaluando la probabilidad de generación de factores patogénicos. El mejor rendimiento se obtuvo con XGBoost con submuestreo, alcanzando un F1-score de 0.9625 y una exactitud de 0.9622. No obstante, el hecho de que una variante haya sido etiquetada como patogénica no siempre representa el desarrollo de la enfermedad en el paciente. Por esta razón, de manera complementaria, se realizó un análisis y modelamiento sobre un segundo dataset enfocado en el diagnóstico de pacientes con y sin cáncer de mama familiar, para el cual el mejor modelo obtenido fue XGBoost con sobremuestreo que logró un rendimiento de F1-score de 0.9969 y exactitud de 0.9969. Adicionalmente, se aplicaron enfoques de clustering y métodos avanzados de selección de características para descubrir asociaciones genómicas que enriquezcan el repertorio de atributos relevantes en el cáncer de mama. El análisis revela un panel de ARN no codificantes, incluyendo Y-RNA, snoRNA y componentes del spliceosoma, junto con genes que codifican proteínas determinantes como CDH4, SDK1, PTPRN2 y CSMD1. Estos hallazgos subrayan dos ejes centrales en la oncogénesis mamaria: la desregulación del procesamiento y traducción del ARN, y la alteración de la adhesión celular y las vías de señalización. La combinación de modelos supervisados y no supervisados no solo potencializó la identificación de patrones estructurales, sino que también facilitó el enriquecimiento de las variables genéticas que sustentan la progresión tumoral. Este enfoque integrador amplía el conocimiento molecular y sienta las bases para el desarrollo de herramientas de diagnóstico temprano, planificación terapéutica y monitorización clínica, mejorando, en última instancia, la calidad de vida de las pacientes afectadas.Item Reflections and data on abortion in Colombia(Pontificia Universidad Javeriana Cali) Mier Corpas, Ever DavidItem WASOR: Sistema de Clasificación de residuos sólidos usando técnicas de inteligencia artificial(Pontificia Universidad Javeriana Cali, 2025) Tovar Jaimes, Héctor Iván; Pinto Losada, Javier Hernando; Vargas Cardona, Hernán DaríoEl proyecto WASOR desarrolló un sistema inteligente para la clasificación automática de residuos sólidos mediante técnicas de visión por computador e inteligencia artificial, orientado a mejorar la eficiencia de la separación en la fuente y contribuir a los procesos de reciclaje, una problemática relevante dada la baja tasa de aprovechamiento de residuos en la región y los altos niveles de contaminación ambiental asociados a la disposición inadecuada. La unidad de análisis del proyecto está conformada por imágenes de residuos sólidos urbanos pertenecientes a siete categorías (orgánico, plástico, papel, vidrio, metal, biológico y baterías), a partir de las cuales se construyó un conjunto de datos que inició con 9.281 imágenes recopiladas desde repositorios abiertos; Luego del proceso de depuración y validación manual, el dataset se redujo a 8.214 imágenes. De este conjunto base, se destinó el 6 % (493 imágenes) para la validación y el 2 % (164 imágenes) para las pruebas de desempeño de los modelos. Al conjunto restante (7.557 imágenes) se le aplicaron técnicas de aumento de datos, obteniendo así un dataset expandido de 18.796 imágenes, el cual fue utilizado para el entrenamiento de los modelos. El proyecto abordó la problemática de la clasificación ineficiente y manual de residuos, proponiendo como objetivos la construcción de un dataset robusto, el entrenamiento comparativo de modelos de detección, la selección del modelo con mejor rendimiento y el desarrollo de una interfaz funcional capaz de operar en tiempo real. Se entrenaron tres modelos basados en las arquitecturas YOLOv8m, YOLOv9m y YOLOv10m, evaluados mediante métricas estándar como exactitud, F1-score, precisión, recall y mAP@0.5:0.95; el modelo seleccionado fue YOLOv10m, el cual alcanzó la métrica clave más alta con un mAP@0.5:0.95, representando el mejor equilibrio entre calidad de detección, estabilidad y capacidad de generalización. Los resultados del sistema integran detección en tiempo real, asignación de la categoría correspondiente y recomendación del contenedor apropiado utilizando una interfaz HMI diseñada en Python, lo que permite demostrar la viabilidad técnica y operativa de la automatización del reciclaje. Las aplicaciones potenciales del sistema incluyen puntos ecológicos automatizados, estaciones educativas para sensibilización ambiental, procesos industriales de separación de residuos y futuras implementaciones IoT con monitoreo continuo, contribuyendo así a la optimización de la gestión de residuos, a la reducción de la contaminación y al fortalecimiento de prácticas de economía circular en diversos entornos urbanos, institucionales y comunitarios.