DESI - Trabajos de fin de Maestría en Sistemas Computacionales
URI permanente para esta colección
Examinar
Envíos recientes
Mostrando 1 - 20 de 79
Ítem Estimaciones de deserción, cambio de carrera y egreso para la Ingeniería en Sistemas Computacionales del ITESO(ITESO, 2024-08) Ramos-Rocha, Erick R.; Hernández-Chávez, GiselPresento las estimaciones de probabilidad de baja de la universidad, cambio de carrera y egreso de los alumnos de la Ing. en Sistemas Computacionales del ITESO, así como de grupos de estos alumnos por categorías de sexo, edad, promedio de la preparatoria, financiamiento, tipo de preparatoria y resultados del examen de ingreso. Empleé el estimador de riesgos en competencia de Aalen-Johansen para las funciones de incidencia acumulada y pruebas de Gray para determinar si los grupos eran diferentes y los perfiles de alumnos en riesgo. Usé datos anonimizados de 396 alumnos registrados desde la primavera 2006 a primavera 2014, a los cuales el ITESO les dio seguimiento por 12 semestres. Demostré que los grupos con más probabilidad de baja y cambio son los no financiados desde su ingreso, los de promedio de preparatoria menor a 80, los que entran con más de 21 años y los de puntaje en el examen de ingreso menor a 1,224. También demostré que tanto hombres como mujeres tienen probabilidades semejantes de ocurrencia de baja, cambio de carrera y egreso. Los alumnos con mejor promedio de preparatoria o mayor puntaje en el examen de ingreso tienen las probabilidades más altas de egresar de la carrera en menor tiempo.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 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.Ítem Detección y clasificación de palabras a partir de la lectura de labios mediante técnicas de aprendizaje profundo y aprendizaje máquina(ITESO, 2024-07) Montes-Díaz, Edgar E.; Martínez-Sánchez, Víctor H.; Villalón-Turrubiates, Iván E.La información contenida en los labios y el rostro proporciona datos significativos para el reconocimiento del habla y el procesamiento del lenguaje natural. Aunque existen diversas metodologías para abordar este problema, la mayoría se basan en conjuntos de datos en chino e inglés. Este trabajo se enfoca en la implementación de un modelo alimentado por un conjunto de datos en español, desarrollado específicamente para este proyecto. El objetivo es generar una herramienta útil capaz de clasificar palabras en español latino, sirviendo como referencia para futuras investigaciones orientadas a la creación de subtítulos automáticos para personas con discapacidad auditiva. Utilizando técnicas de Aprendizaje Máquina, por sus siglas en inglés (ML) y Aprendizaje Profundo, por sus siglas en inglés (DL), se busca extraer características clave para la Lectura Automática de Labios, por sus siglas en inglés (ALR), a partir de videos. El modelo se alimenta de un conjunto de datos propio. Este conjunto de datos está diseñado para incorporar técnicas de extracción de características utilizando Redes Neuronales Convolucionales, por sus siglas en inglés (CNN) y memoria a corto plazo. Se pretende utilizar un modelo recurrente como las Redes Neuronales de Memoria de Corto-Largo Plazo, por sus siglas en inglés (LSTM). La arquitectura del modelo permitirá utilizar la información temporal en videos, donde eventos anteriores ayudarán a mejorar la predicción futura de palabras. De esta manera, se ofrece una solución avanzada y accesible para el reconocimiento del habla en español latino.Ítem Modelado basado en grafos para analizar y simular redes de corrupción(ITESO, 2023-07) Medina-Arriola, Oscar R.; Cervantes-Álvarez, José F.La comprensión del problema de la corrupción es compleja, por lo que necesitamos nuevas herramientas para proponer soluciones innovadoras. Este trabajo se centra en la creación de una de estas herramientas, enfocada en generar escenarios sintéticos para analizar la corrupción. Con este trabajo se busca facilitar la creación de múltiples escenarios sociales, como familias, escuelas, suburbios y ciudades. Estos escenarios representan diferentes contextos en los que la corrupción puede manifestarse y afectar a la sociedad en general. Además, se busca proporcionar a los investigadores y analistas una plataforma para comprender mejor los mecanismos de la corrupción y evaluar posibles estrategias para combatirla. Al generar escenarios sintéticos, se pueden realizar análisis exhaustivos y generar experimentos que ayuden a identificar las causas subyacentes y las posibles soluciones para abordar este problema social tan complejo.Ítem Development of a Supervised Model of Regression with Machine Learning for Particulate Matter in the Metropolitan Area of Guadalajara(ITESO, 2024-06) Alavez-Sosa, Francisco A.; Faus-Landeros, Gloria E.; Villalón-Turrubiates, Iván E.The Metropolitan Area of Guadalajara (MAG) is the second most contaminated area in Mexico. The effects of the change could be seen in the region’s climate system on the ecosystem and the health of its population, caused mainly by anthropogenic activities that produce atmospheric pollutants. A greater understanding of the atmosphere, the phenomena and effects of pollutants on the air quality of the MAG is needed. particulate matter (PM) affects directly air quality, human health and the environment, mainly. The MAG does not have measurements of PM 2.5 micrometers (anthropogenic) of its entire surface, only with PM 10 micrometers. In this project, using Python, data from the MAG and its surroundings were extracted from Giovanni Nasa Web Page files, with the netCDF4 library. Three measurements of interest (Ångström Exponent, Aerosol Optical Depth and Mass Concentration) were integrated into a single dataset. From this, descriptive statistics were obtained with Seaborn, Matplotlib and Tableau. Seasonal patterns stood out and motivated the search for a machine learning regressor that would “learn” and predict the size of the particles by month. Due to the distribution of the patterns, it was decided to use a “boosting” model. Three ways were proposed to “train” the model. The first, with the complete dataset. The second and third with “feature engineering” and a “sliding window”, which considers trends followed each month, using data from the MAG and data from the MAG and its surroundings, respectively. The final model makes accurate quantitative and qualitative forecasts of particle size in a given month, useful for taking preventive measures.Ítem Detección y clasificación de objetos aplicado a un área de investigación: reconocimiento de la lengua de señas mexicana(ITESO, 2023-05) Jaime-Gaytán, Cristian E.; Martínez-Sánchez, Víctor H.Ítem Traffic Sign Detection and Recognition with Voice Assistant(ITESO, 2023-05) Vázquez-Espinoza, Carlos S.; Martínez-Sánchez, Víctor H.Ítem Ingesta y modelado de datos de aerolíneas mediante un pipeline utilizando tecnología disponible en la nube(ITESO, 2022-12) Caballero-Zúñiga, Jorge L.; De Obeso-Orendain, Alberto; DeObeso-Orendain, AlbertoÍtem Multispectral Image Analysis of Remotely Sensed Crops(ITESO, 2022-05) Villanueva-Molina, José J.; DeObeso-Orendain, AlbertoÍtem Machine Learning and Data Science Techniques applied to Intel Historical SDL (Security Development Lifecycle). Project Execution Data to Discover Improvement Insights(ITESO, 2022-07) Téllez-Salmón, Ximena; Villalón-Turrubiates, Iván E.; Viveros-Wacher, AndrésÍtem 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 Modelo de aprendizaje profundo para la detección de objetos de interés en el Bosque de La Primavera(ITESO, 2022-06) Magaña-Vázquez, José L.; Cervantes-Álvarez, José F.; Pérez-Bernal, Luis E.Ítem 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 Diabetic Retinopathy Image Classification with Neural Networks(ITESO, 2021-11) Sánchez-Ferrusca, Iván; Martínez-Sánchez, Víctor H.Ítem Diseño e implementación de una base de conocimiento para el diagnóstico médico del asma y su severidad(ITESO, 2021-12) Orozco-Ruiz, Jorge L.; Villanueva-Paredes, Norma I.Ítem Land Use Identification of the Metropolitan Area of Guadalajara Using Bicycle Data: An Unsupervised Classification Approach(ITESO, 2021-11) Gracia-Rivera, Dulce M.; Villalón-Turrubiates, Iván E.Ítem Recommendation System for Issues Found in R&D(ITESO, 2021-07) Preciado-Barón, Diego; DeObeso-Orendain, AlbertoÍtem Improved Prediction of Heuristic Configuration for Queue Priority on FaCt++ Semantic Reasoner(ITESO, 2021-07) González-Álvarez, Juan J.; Escobar-Vega, Luis M.Ítem Sistema de recomendación basado en grafos: escenario de recomendación de productos(2021-06) Partida-Ochoa, Sarahi; Ortega-Guzmán, Víctor H.