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 82
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 comparativo de métodos de reducción de ruido para imágenes generadas por radares de apertura sintética (SAR)(ITESO, 2024-08) López-Rubio, Martín F.; Villalón-Turrubiates, Iván E.En este trabajo, a manera de metaanálisis se comparan métodos para reducir el ruido “salt and pepper” en imágenes, analizando técnicas como filtros de promedio, transformadas wavelet, y métodos basados en inteligencia artificial (IA) como machine learning y deep learning contextualizado en especial para imágenes obtenidas por radares de apertura sintética (SAR), dónde es común encontrar este tipo de ruido específico. Con el objetivo de encontrar los métodos más eficaces y vislumbrar patrones de comportamiento entre ellos. El análisis se basa en una recopilación de estadísticas de 59 métodos de reducción de ruido. En la investigación se concluye una selección de métodos mejor eficacia y se explora un patrón aparente en el que los métodos basados en inteligencia artificial tienden a ser más efectivos en niveles altos de ruido, además de revelar una falta de estandarización en los indicadores de evaluación y en los conjuntos de datos utilizados. Se proponen posibles artículos científicos a publicar como trabajos futuros a partir de este metaanálisis.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 de videos de YouTube Kids implementando Visual Transformers(ITESO, 2024-12) García-Larios, Karla P.; Martínez-Sánchez, Victor H.Según la investigación desarrollada en The Common Sense Census: Media Use by Tweens and Teens, el uso de tecnologías relacionados con medios digitales tuvo un aumento de diecisiete porcientos después de la pandemia por COVID-19 en los niños de ocho a doce años. Para el año dos mil veintiuno, los niños pasaban alrededor de cinco horas y media por día consumiendo contenido de medios digitales, dedicando alrededor de cincuenta y siete minutos a videos de plataformas como YouTube. En octubre del dos mil veinte tres, YouTube realizo cambios en sus lineamientos de seguridad; ahora, los creadores de contenido pueden continuar con su cuenta activa, sin importar los incumplimientos hacia las normas de la comunidad en el pasado, ya que, cada 90 días se vence este récord, siempre y cuando se haya tomado una capacitación sobre las políticas del sitio. Además, desde el dos mil diecinueve, gracias a la ley definida en Children’s Online Privacy Protection Act (COPPA), los creadores de contenido deben declarar e identificar la audiencia a la que van dirigidos, y categorizar su contenido especificando si este es hecho para niños o no. La problemática resulta cuando la categorización de contenido no es especificada por los creadores puesto que esta realiza automáticamente siguiendo ciertos lineamientos que no siempre ayudan a poderlas encasillar en el publico correcto, haciendo que contenido no apto para niños llegue a sus manos. La investigación en curso tiene como objetivo implementar modelos preentrenados que utilicen Transformers para analizar contenido de YouTube que esté categorizado como hecho para niños.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.