Browsing by Subject "Redes neuronales"
Now showing 1 - 9 of 9
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 Modelo predictivo del tipo de cambio EUR/USD: integración de datos históricos y análisis de sentimiento de noticias financieras a través de redes neuronales LSTM(Pontificia Universidad Javeriana Cali, 2025) Arias Martínez, Manuela; Quintero Carvajal, Esteban; Mejía Romero, Joaquín Nicolás; García Arboleda, Isabel CristinaEste proyecto se centra en la propuesta de un modelo predictivo para el tipo de cambio EUR/USD, incorporando el análisis de sentimiento derivado de noticias financieras y datos históricos mediante el uso de redes neuronales LSTM. La importancia de este tema radica en que el EUR/USD, como uno de los pares de divisas más negociados, funciona como un barómetro de la salud económica global, y su volatilidad refleja cambios en políticas monetarias, crisis económicas y eventos geopolíticos. Ante la limitación de los modelos tradicionales, que solo consideran datos históricos de precios, este proyecto aborda la problemática de mejorar la precisión de las predicciones al incluir el sentimiento del mercado. Los objetivos propuestos incluyen procesar y analizar datos relevantes, evaluar la relación entre el sentimiento y las fluctuaciones del tipo de cambio, e implementar un modelo que integre estas variables. Se logra crear un conjunto de datos limpio y que permite la propuesta de un modelo predictivo que mejora la comprensión de las dinámicas del mercado, además de elaborar un informe detallado sobre la metodología aplicada y los resultados obtenidos. Estas herramientas benefician a inversores y profesionales del área financiera en la toma de decisiones más informadas y en la mitigación de riesgos asociados con la volatilidad del mercado. El modelo resultante también sirve como base para futuras investigaciones que exploran otros mercados y aplicaciones. Al adoptar este enfoque, el proyecto contribuye al campo de la ciencia de datos y las finanzas, además de establecer nuevos paradigmas en la predicción del tipo de cambio EUR/USD.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 de la tasa de cambio EUR/USD: comparación de modelos de Deep Learning con diversos tipos y cantidades de datos de entrenamiento(Pontificia Universidad Javeriana Cali, 2025) Caicedo León, Andrés; Bastidas Caicedo, Harvey Demian; Sarmiento, Cristian Camilo; Pabón Burbano, María ConstanzaLa predicción de la tasa de cambio del par EUR/USD es un desafío significativo debido a la naturaleza no lineal de las series temporales financieras, las técnicas de Deep Learning son capaces de detectar patrones no lineales y son usadas para este tipo de predicciones, pero su desempeño varía dependiendo de los datos de entrenamiento usados. Este proyecto se enfoca en evaluar cómo la cantidad y el tipo de datos de entrenamiento, incluyendo datos sintéticos, afectan la precisión y la robustez de modelos predictivos de Deep Learning. Este proyecto aborda la necesidad de seleccionar adecuadamente la configuración de modelos y datos para mejorar las predicciones a corto y largo plazo de tres modelos de Deep Learning: Redes Neuronales Convolucionales (CNN), Redes de Memoria a Largo Plazo (LSTM) y Transformadores. Se midió, usando métricas de precisión y robustez, el desempeño de los modelos entrenados con distintas cantidades de datos de entrenamiento y la inclusión de distintos tipos de datos como indicadores técnicos y fundamentales. Además, se evaluó la efectividad de los datos sintéticos de entrenamiento en el desempeño de los modelos. El objetivo principal es determinar cómo diferentes configuraciones de modelos y datos afectan la precisión y robustez de las predicciones de la tasa de cambio EUR/USD. Con esto se espera crear un conjunto de resultados que permitan seleccionar la mejor configuración de modelos y datos a usar para el entrenamiento de predictores, lo que puede ser una herramienta académica y puede usarse en la toma de decisiones en el mercado de divisas, ya que la predicción de tasas es crucial para elaborar estrategias de trading y desarrollar herramientas analíticas avanzadas para el sector financiero.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 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.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.