DESI - Trabajos de fin de Maestría en Sistemas Computacionales
URI permanente para esta colección
Examinar
Examinando DESI - Trabajos de fin de Maestría en Sistemas Computacionales por título
Mostrando 1 - 20 de 79
Resultados por página
Opciones de ordenación
Ítem 3D Printing Batch Production Optimizer(ITESO, 2016-12) DelÁngel-Ochoa, Ana P.; Piza-Dávila, Hugo I.; Zeng, JunÍtem Adaptive Big Data Pipeline(ITESO, 2020-09) Orozco-GómezSerrano, Aldo; DeObeso-Orendáin, AlbertoÍtem Algoritmo de reconocimiento de emociones humanas en tiempo real a través del análisis de voz(ITESO, 2016-07) Toris-Palacios, Juan J.; Villalón-Turrubiates, Iván E.Ítem Algoritmo de visión computacional para validación de rieles de potencia(ITESO, 2024-06) Cuevas-Valencia, Jose J.; Martínez-Sánchez, Víctor H.La innovación de este trabajo radica en la detección automatizada de picos de corriente reales, un proceso que hasta ahora ha sido manual y propenso a errores. Mediante el uso de algoritmos avanzados, se logra distinguir con precisión diferentes tipos de formas de onda, lo que representa una mejora significativa en la metodología de mediciones de rieles de potencia. Además, la aplicación de algoritmos de visión en conjunto con osciloscopios es una novedad en este campo, explorando nuevas fronteras en la tecnología de señales de potencia. La razón para crear este algoritmo de visión es el hecho de que los osciloscopios actuales no cuentan con la capacidad de discernir si la medición con la que trata se trata de un ruido o un pico real (sobre todo en el área de rieles de potencia). El método actual para realizar esta discriminación es mediante análisis de archivos CSV los cuales son muy pesados y genera mucho trabajo repetitivo manual. Al crear un algoritmo de visión computacional artificial, se pueden descartar en un trabajo a futuro de manera automática archivos CSV asociados a imágenes con más ruido que mediciones reales. Este avance es de gran importancia para la sociedad científica, ya que facilita el análisis de diversas formas de onda mediante el uso de aprendizaje de máquina. Al automatizar una tarea crítica y mejorar el proceso de obtención de datos, se logra una reducción significativa en los costos y tiempos asociados. La solución propuesta beneficiará a empresas como Intel, a instituciones académicas como el ITESO, y a fabricantes e ingenieros que trabajan con osciloscopios, además de la comunidad científica que emplea formas de onda para sus análisis.Ítem Análisis de datos y tendencias sociales de las donaciones de sangre en Guadalajara(ITESO, 2019-10) Zúñiga-Cisneros, Jorge A.; Villalón-Turrubiates, Iván E.Ítem Análisis de grafos como servicio(ITESO, 2020-01) Romero-Vargas, Pedro; Gutiérrez-Preciado, Luis F.Ítem Análisis de originalidad de un documento escrito en español(ITESO, 2016-11) Gallardo-Manuel, René; Alcaraz-Mejía, Mildreth; González-Díaz, María T.Ítem Análisis y visualización de grafos usando realidad virtual: una perspectiva de interacción(ITESO, 2020-01) Ortega-Rosales, Alejandro D.; Gutiérrez-Preciado, Luis F.Ítem Analítica Académica: Análisis de la graduación de estudiantes de un posgrado con PNPC(ITESO, 2020-07) Coronado-González, Guillermo; Alcaraz-Mejía, MildrethÍtem Analítica de preguntas con respuestas tipo Likert en encuestas de satisfacción de cursos de Algoritmos y Programación(ITESO, 2022-07) Santana-DeLosRíos, Carolina; Hernández-Chávez, GiselÍtem Analysis and Development of an End-to-End Convolutional Neural Network for Sounds Classification Through Deep Learning Techniques(ITESO, 2021-11) Galindo-Meza, Carlos A.; López-Meyer, PauloÍtem Arquitectura informática para la recolección y análisis de datos médicos(ITESO, 2017-05) Flores-Díaz, José A.; Villanueva-Paredes, Norma I.Ítem Autoencoders para manejo de clases desbalanceadas en problemas de propensión de compra(ITESO, 2018-09) Garibay-Ruiz, Edgar; Ruiz-Cruz, Riemann; Moreno-Núñez, IsmaelÍtem Base de datos analítica para Microsoft Project(ITESO, 2016-07) González-Guerrero, Adrián; Díaz-Rodríguez, Miriam; Romero-Espinosa, CésarÍtem Biblioteca de evaluación y entrenamiento de redes neuronales artificiales implementada en Rust y OpenCL(ITESO, 2021-01) Escamilla-Ochoa, Víctor R.; Cornejo-Torres, Pedro A.Ítem Business intelligence y Big data aplicada para analizar información de salud pública del área metropolitana de Guadalajara(ITESO, 2017-10) García-Fermín, Genaro; Ortega-Guzmán, Víctor H.Ítem Construcción de una memoria organizacional a partir de textos no estructurados usando herramientas de minería de texto(ITESO, 2016-09) Espíritu-Sandoval, Karla Y.; Zaldívar-Carrillo, Víctor H.; Novelo-Cervera, Rodrigo I.Ítem Deadlock Parser Utility Tool(ITESO, 2016-11) Sánchez-Rico, José J; Méndez-Cárdenas, Julio C.; Alcaraz-Mejía, Mildreth; Villanueva-Paredes, Norma I.Ítem Desarrollo de una aplicación para la reparación de huecos (gapfilling) de imágenes satelitales Landsat 7 ETM+(ITESO, 2018-11) González- Velázquez, Antonio; Sánchez-Díaz, Guillermo; Piza-Dávila, Hugo I.Ítem Detección de mentiras a través del análisis pupilar: un enfoque con ResNet-50(ITESO, 2024-07) Martínez-Luna, David; Martínez-Sánchez, Víctor H.La inteligencia artificial (IA) busca desarrollar sistemas que imiten el comportamiento humano en diversas tareas. Se han logrado avances significativos en el aprendizaje automático, donde los algoritmos aprenden a partir de conjuntos de datos. El aprendizaje profundo, una técnica dentro del aprendizaje automático, utiliza redes neuronales artificiales para procesar grandes cantidades de información y extraer patrones complejos. La visión por computadora, otro dominio de la IA, analiza y entiende imágenes y videos, con redes neuronales convolucionales (CNN) demostrando ser altamente efectivas para la clasificación de imágenes y la detección de objetos. En la detección de mentiras, la IA puede identificar patrones de comportamiento y detectar engaños. Los métodos tradicionales como el polígrafo son invasivos, costosos y requieren entrevistadores humanos capacitados. Los enfoques de IA basados en la hipótesis de que los mentirosos experimentan una mayor demanda cognitiva que los que dicen la verdad implican la observación de indicadores físicos como la dilatación de la pupila y orientación de la mirada. Este estudio propone utilizar un conjunto de imágenes faciales en entornos no controlados para entrenar un modelo que no esté limitado por estrictas especificaciones de iluminación, posicionamiento de cámara o características físicas de los sujetos. El método combina una detección mejorada de rostros y ojos utilizando redes convolucionales, específicamente arquitectura Residual Network 50 (ResNet-50), que incluye patrones de mirada y cambios en la dilatación de la pupila, eventos asociados con la mentira. El objetivo es generar un modelo con una precisión superior al 90%, basado en estos cambios oculares, optimizando el proceso para que sea más rentable y eficiente. El proyecto se centra en la IA y la psicología del engaño, temas importantes en la comunidad científica, con aplicaciones potenciales en diversos campos como la seguridad, la psicología, el derecho, la investigación privada y los recursos humanos. La investigación combina métodos existentes para mejorar la precisión del modelo y explora implicaciones éticas, enfatizando el uso responsable de la IA y el juicio humano en la interpretación de resultados. Los hallazgos contribuyen al desarrollo de nuevas técnicas de detección de mentiras basadas en IA, ofreciendo una alternativa viable para analizar el engaño a través de la visión por computadora y el aprendizaje profundo.