Browsing by Subject "Neural networks"
Now showing 1 - 5 of 5
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 Predicción de avalúos catastrales en el municipio de Dagua, Valle del Cauca, utilizando modelos de aprendizaje automático(Pontificia Universidad Javariana Cali, 2025) Marín Ochoa, Juan José; Hurtado Gonzáles, Estefanía; Álvarez Vargas, Gloria Inés; Linares Ospina, Diego LuisEl avalúo catastral es un elemento clave en la gestión territorial, utilizado para calcular impuestos prediales y proporcionar información sobre el valor de las propiedades. En el municipio de Dagua, Valle del Cauca, el proceso de valoración catastral enfrenta retos relacionados con la falta de sistematización de datos y la dependencia de métodos manuales, lo que limita su precisión y actualización. Este trabajo desarrolla un modelo predictivo basado en técnicas de aprendizaje automático para mejorar la estimación de avalúos catastrales. Durante la investigación, se evaluaron ocho modelos supervisados, entre ellos Random Forest, K-Nearest Neighbors, Gradient Boosting Machines y Redes Neuronales, siendo Random Forest seleccionado por su desempeño destacado, con un coeficiente de determinación (R²) del 87,15 \% y métricas de error más bajas en comparación con los demás. El desarrollo metodológico incluyó la preparación de los datos, selección de características relevantes como el área del terreno, la zona geoeconómica y la manzana/vereda, y la optimización de hiperparámetros. Además, se implementó una interfaz gráfica diseñada para usuarios especializados, como funcionarios o técnicos en gestión catastral, quienes cuentan con acceso a la información requerida. Esta interfaz solicita datos específicos necesarios para realizar predicciones precisas, tales como características físicas del predio y su ubicación, asegurando así que las estimaciones sean útiles y relevantes en su contexto profesional. Los resultados muestran que la integración de aprendizaje automático en la valoración catastral puede mejorar la precisión y eficiencia del proceso, específicamente, el modelo Random Forest destacó por su desempeño en comparación con otros modelos evaluados. con un error absoluto medio (MAE) de 14.5M el modelo alcanzó un coeficiente de determinación (R²) de 87.15\%, indicando una alta capacidad para explicar la variabilidad de los valores catastrales en el conjunto de prueba, proporcionando un enfoque práctico y replicable en otros contextos territoriales.Item Predicción del monto total que se va a pagar por remesas en dólares que se originan en un día(Pontificia Universidad Javeriana Cali, 2025) Contreras Fuentes, William; Espinoza Guarnizo, Camilo; Agredo Chávez, Jorge; Pabón Burbano , María ConstanzaLas remesas son transferencias de dinero enviadas por trabajadores migrantes a sus países de origen para el sostenimiento de sus hogares [1]. En Colombia, según el DANE, estos flujos representaron aproximadamente el 2,8% del Producto Interno Bruto (PIB) en 2024. Dentro de la gestión operativa de las remesas, la predicción del monto en dólares por fecha de origen es un insumo clave, ya que la tasa de cambio se fija en el momento de iniciar cada transacción. Contar con una estimación anticipada permite a los agentes locales optimizar su cobertura cambiaria, mitigando los riesgos asociados. Para abordar este desafío, el proyecto desarrolló modelos predictivos basados en técnicas avanzadas de ciencia de datos, utilizando información histórica suministrada por una entidad financiera con alto volumen de operaciones en remesas en Colombia. El conjunto de datos abarcó un periodo de dos años y se compararon modelos con algoritmos de aprendizaje automático y análisis de series temporales. Entre los hallazgos más relevantes, se destaca que los modelos de árboles de decisión optimizados y redes neuronales recurrentes ofrecieron los mejores niveles de precisión, superando ampliamente a enfoques tradicionales como ARIMA o regresión basada en SVM. El mejor modelo alcanzó un R² de hasta 99.58 %, con un error absoluto medio significativamente bajo. Estos resultados confirman el valor de incorporar estructuras no lineales y secuenciales para mejorar la capacidad de pronóstico.Item Redes neuronales y procesamiento de lenguaje para la evaluación de la investigación colombiana en el contexto de los ODS(Pontificia Universidad Javeriana Cali, 2025) Riaño Díaz, John Agustín; Ramírez Ovalle, Carlos Ernesto; Álvarez Bustos, AbelEste proyecto se centra en el análisis de la producción científica en Colombia y su vinculación con los Objetivos de Desarrollo Sostenible (ODS) establecidos por la Organización de las Naciones Unidas. A pesar del crecimiento de la producción científica en el país, no existía una caracterización sistemática que evidenciara su alineación temática con los ODS, lo que dificultaba la identificación de tendencias, brechas y áreas de oportunidad en investigación. La investigación planteó como objetivo general desarrollar un modelo de análisis que, mediante técnicas de procesamiento de lenguaje natural y redes neuronales, permitiera clasificar resúmenes de artículos científicos de las áreas de ingeniería y medicina en función de su relación con los ODS. Para ello, se realizó un proceso de recopilación de datos a partir de artículos indexados en Scopus, correspondientes al año 2018 a 2024, seguido de la selección de una muestra representativa mediante muestreo estratificado. Posteriormente, se efectuó un etiquetado manual de los resúmenes en función de su correspondencia con los ODS, con base al contenido temático y su potencial contribución al desarrollo sostenible. Esta muestra etiquetada fue empleada para entrenar modelos supervisados, particularmente utilizando la arquitectura BERT, con el fin de optimizar la clasificación automática de nuevos documentos. Adicionalmente, se implementaron estrategias de balanceo de clases mediante técnicas de traducción y parafraseo, dada la baja representación de algunos ODS en los datos recopilados. El proyecto incorporó un proceso de validación cruzada para evaluar el desempeño de los modelos entrenados en tareas de clasificación, utilizando métricas como exactitud, precisión, recall y F1-score. Los resultados obtenidos permitieron caracterizar la producción investigativa colombiana, diferenciada por áreas de conocimiento, y establecer patrones de alineación con los ODS más representativos. Asimismo, se identificaron vacíos temáticos y áreas de fortalecimiento en la agenda científica nacional. El modelo desarrollado constituye una herramienta replicable que puede ser utilizada por instituciones académicas, entidades gubernamentales y organizaciones del sector privado para orientar estrategias de investigación, asignación de recursos y formulación de políticas públicas enfocadas en el cumplimiento de la Agenda 2030.Item Super-resolución en estudios de MRI mediante técnicas de aprendizaje profundo(Pontificia Universidad Javeriana Cali, 2025) Arcos Ramírez, Carlos Manuel; Ortega Solarte, Rafael Giovanny; Daza Malagón, Charles Erasmo; Vargas Cardona, Hernán DaríoEste proyecto se centró en aplicar técnicas de super-resolución basadas en aprendizaje profundo, tanto en 2D como en 3D, para mejorar la resolución espacial de estudios de resonancia magnética (MRI) anatómicos tipo T1. La calidad de las imágenes médicas es crucial para una adecuada interpretación clínica, pero suele verse limitada por factores técnicos durante su adquisición. Esta problemática motivó la implementación de soluciones computacionales que permitan incrementar la resolución de las imágenes sin necesidad de repetir estudios. Los objetivos incluyeron gestionar estudios MRI anatómicos T1 de bases de datos públicas, implementar y entrenar algoritmos de super resolución y evaluar su desempeño mediante indicadores cuantitativos como PSNR, SSIM, MSE y evaluaciones perceptuales, utilizando imágenes de referencia como Gold Standard. Para ello, se gestionó un conjunto de datos reales, públicos y anonimizados provenientes de la iniciativa Parkinson’s Progression Markers Initiative (PPMI), con el fin de entrenar y validar distintos modelos. Se implementaron arquitecturas como SRCNN, U-Net, EDSR, VDSR, DRCN, Autoencoder, SRGAN, SRResNet, SRDenseNet, cGAN y SR3, en sus variantes 2D o 3D según el caso. Los resultados mostraron que ciertas arquitecturas, como SRResNet 2D, SRDenseNet 2D, UNet 3D, EDSR 3D y SRCNN 3D, destacaron por su capacidad de reconstruir imágenes con alta fidelidad estructural, mientras que otras como VDSR, DRCN, SRGAN y cGAN presentaron un rendimiento aceptable, aunque con oportunidades de mejora. Por otro lado, Autoencoder 2D y SR3 demostraron limitaciones significativas en esta tarea específica. Estas observaciones sugieren que los modelos basados en bloques residuales o con estructuras encoder-decoder son especialmente prometedores para su uso futuro. Este trabajo resalta la utilidad del aprendizaje profundo como herramienta clave para la mejora computacional de imágenes médicas, con aplicaciones que pueden contribuir a diagnósticos más precisos, reducción de costos y desarrollo de tecnologías asistidas en imagenología médica.