Browsing by Subject "Redes neuronales"
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 Diseño de un aplicativo para el análisis de sentimiento de reseñas de películas(Pontificia Universidad Javeriana Cali, 2024) Giraldo Mosquera, Juan Pablo; Álvarez Vargas, Gloria InésLas plataformas en línea han permitido que los individuos puedan compartir sus experiencias y opiniones sobre todo tipo de productos y servicios del mercado a nivel global. Esta información se convierte en un recurso de gran valor para las empresas siempre que éstas puedan identificar el sentimiento de sus consumidores sobre los productos y/o servicios que ofrecen. Es por eso que esta tarea representa uno de los intereses principales en la actualidad a nivel comercial. En el presente trabajo de grado se evaluará el desempeño de tres modelos de clasificación para la identificación del sentimiento de textos extraídos de reseñas de películas de la plataforma IMDB. En donde se seleccionará el más prometedor de ellos para la posterior implementación de una aplicación que permita a los usuarios aprovechar dicho modelo.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 Sistema de clasificación de coberturas en imágenes tomadas por drones usando técnicas de Deep Learning(Pontificia Universidad Javeriana Cali, 2020) Tello Dagua, Jhon Jairo; Reymondin, LouisEl mapeo de la cobertura terrestre es un tema de investigación importante en la ciencia del cambio en el uso de la tierra y la planificación del paisaje. Las actividades humanas cambian constantemente los patrones de cobertura de la tierra e influyen en los procesos biofísicos del territorio. Tradicionalmente la detección, clasificación y el monitoreo de coberturas de la tierra se ha llevado a cabo a través de la teledetección satelital. La capacidad para detectar, clasificar y cuantificar depende en gran parte de la capacidad del sensor y técnicas de clasificación entre las que se destacan la supervisada y no supervisada. Estas técnicas dependen de la calidad del algoritmo utilizado para discriminar las categorías. Con el uso de los drones es posible en la actualidad contar con grandes conjuntos de imágenes de alta resolución que contienen una gran cantidad de información que se puede explorar. Estas imágenes tienen el potencial de contener varios tipos de características como: bosques, casas, edificios, cultivos, carreteras, entre muchos otros. Esta investigación se enfocará en explorar el uso de técnicas de Deep Learning y redes neuronales convolucionales para la clasificación automatizada de coberturas de la tierra usando imágenes de alta resolución tomadas por drones. Se usará la librería de Deep Learning, Deeplearning4j para implementar un prototipo para la clasificación de coberturas. Como este tipo de modelos requiere que el conjunto de datos de entrenamiento sea bastante grande para un rendimiento más óptimo también dentro de la investigación se creará una plataforma para el etiquetado de imágenes por parte de expertos y una base de datos que estará en continuo crecimiento a medida que se etiqueten nuevas imágenes.