Facultad de Ciencias e Ingeniería

Permanent URI for this communityhttp://98.81.228.127/handle/20.500.12404/13334

Browse

Filters

2020 - 20214

Settings

search.filters.applied.f.degree: search.filters.degree.bachilleratoSubject: search.filters.subject.Aprendizaje automático (Inteligencia artificial)

Search Results

Now showing 1 - 4 of 4
  • Thumbnail Image
    Item
    Revisión de la literatura del comercio electrónico, el aprendizaje automático y sus aplicaciones en la industria y tiendas por departamento en línea
    (Pontificia Universidad Católica del Perú, 2021-10-25) Agama Espinoza, Aymar Sandro; Cornejo Sánchez, Christian Santos
    Este trabajo de investigación reseña los hallazgos más recientes acerca del comercio electrónico y el aprendizaje automático aplicado a ese ámbito. En los últimos años, el comercio electrónico se ha expandido, en particular, en el contexto de la pandemia del COVID-19 ha tenido un importante rol para mitigar las restricciones de las ventas de los negocios que han tenido que enfrentar en varios periodos de tiempo la suspensión de sus operaciones presenciales. Al respecto, la United Nations Conference on Trade and Develpment (UNCTAD, 2020) informa que en el año 2020, si bien los resultados de las empresas líderes a nivel mundial de ventas online B2C ha sido diverso, el resultado global en ese grupo fue un incremento del 20.5%; asimismo, en un grupo de países seleccionados el aumento fue 22% a pesar de la caída de 1% en el total de ventas del año 2020. En dicho escenario, se observa el crecimiento de esta nueva industria que ofrece la digitalización de los mercados en toda forma de actividad económica, facilitando la compraventa de bienes, servicios e información a través de canales online. De acuerdo con la literatura, el comercio electrónico brinda diversas ventajas a las empresas tales como la reducción de costos operativos, el incremento del intercambio de información, reducción del tiempo de comercialización, aumento de la eficiencia en la cadena de suministro, mejora de la retención de cliente, creación de canales eficientes de bajo costo, entre otras. Las ventajas también se observan en el ámbito de los consumidores, como la facilidad de acceso a bienes y servicios, interacción social para validar sus preferencias y alta disponibilidad para escoger vendedores, productos e información. Asimismo, la investigación sobre el comercio electrónico revela que sus ventajas se pueden reforzar con las cualidades tecnológicas de la industria 4.0 y en particular, con las que ofrece la aplicación del aprendizaje automático. Uno de los hallazgos de la literatura es la necesidad de que los negocios se enfoquen en el cliente, y que construyan relaciones sostenibles y de largo plazo. De esta manera, se puede obtener información relevante sobre sus hábitos de consumo, preferencias y el comportamiento mediante algoritmos y programas de aprendizaje automático. Sobre el aprendizaje automático, diversos estudios han revelado un incremento de las aplicaciones predictivas y prescriptivas que buscan la optimización en la toma de decisiones. Asimismo, para implementarlas, la industria está invirtiendo vastamente en inteligencia artificial teniendo como impulsor a la gran cantidad de información que recopilan. Esto es visible en muchos campos de aplicación de la vida diaria desde el cuidado de la salud, turismo y fabricación hasta el comercio electrónico con el potencial de impactar favorablemente y de manera significativa en la economía. Finalmente, en relación con lo expuesto, la revisión de la literatura revela que las ventajas que ofrece el comercio electrónico pueden generar posibilidades de crear nuevas oportunidades comerciales y así contribuir a fortalecer la ventaja competitiva del negocio en un entorno cambiante
  • Thumbnail Image
    Item
    Aplicación de aprendizaje profundo para la detección y clasificación automática de insectos agrícolas en trampas pegantes: una revisión de literatura
    (Pontificia Universidad Católica del Perú, 2021-02-02) Córdova Pérez, Claudia Sofía; Villanueva Talavera, Edwin Rafael
    El presente trabajo de investigación busca hacer una revisión sistemática sobre las técnicas actuales que se usan para solucionar problemas de identificación y clasificación de plagas de insectos, los cuales pueden ser para detectar uno o más tipos de insectos. Dentro de esta revisión, se encontró soluciones como algoritmos de segmentación con cambio de espacio de color, lo cual permite remover el fondo de una imagen y centrarse únicamente en el objeto de interés; también, el uso de modelos de detección, por ejemplo YOLO y Faster R-CNN, los cuales están conformados por redes neuronales convolucionales para lograr la identificación de insectos plaga; además, se encontraron soluciones que hacían uso de SLIC (Simple Linear Iterative Clustering), así como el uso de un análisis multifractal. Un aspecto relevante a tomar en cuenta para saber qué tan eficientes están siendo estas soluciones son las métricas de evaluación con sus respectivos valores obtenidos; sin embargo, estos resultados solo pueden ser comparables si se usa el mismo dataset para entrenamiento y validación. Por consiguiente y dado que la mayoría de estudios recopilados usa un conjunto de datos propio, los resultados mostrados nos sirven para tener una idea de la eficacia de sus soluciones, mas no para comparar los valores de las métricas de evaluación de los distintos aproximamientos tomados en cada estudio revisado. Finalmente, el único insecto plaga que afecta los campos de hortalizas en el Perú y fue encontrado dentro de los estudios fue la mosca blanca. Los demás estudios abordan el problema de detección con otros tipos de insectos, los cuales no son relevantes para el problema de plagas en Perú, sin embargo, sus soluciones son consideradas pues el cambio que se tendría que hacer es en el conjunto de datos que alimenta a las soluciones presentadas en los estudios encontrados.
  • Thumbnail Image
    Item
    Estudio de la segmentación semántica para la navegación autónoma de un vehículo que circula en las calles de la provincia de Huamanga
    (Pontificia Universidad Católica del Perú, 2021-02-02) Pasapera Huamán, Lui Gustavo; Flores Espinoza, Donato Andrés
    La detección de objetos y geolocalización son puntos clave en los sistemas de visión por computadora y su aplicación para la conducción autónoma. Le permite a la computadora el análisis de entorno en la medida que detecta objetos que podrían obstaculizar una determinada ruta, trayectorias a través del reconocimiento de carriles y mayor exactitud para la geolocalización a través de la detección de objetos relevantes en un determinado entorno. Una de las herramientas para la visión por computadora es la implementación de las redes de aprendizaje profundo. En los últimos años han tenido mayor acogida por su capacidad en el poco esfuerzo en cuanto a su clasificación manual o métodos clásicos. Si bien es cierto que necesita millones de imágenes para obtener un resultado aceptable, esto se ha ido mejorando a través de la transferencia de aprendizaje ya que reduce los millones de imágenes a miles. Estos miles de imágenes se consideran como los datos locales las cuales se analizan, clasifican y re-entrenan con una arquitectura de red pre-entrada. El presente trabajo de investigación se basa en el estudio del uso de los aprendizajes adquiridos por cada red de aprendizaje profundo tales como Resnet-18, Resnet-50, Mobilenetv2 y Xception con el fin de aprovechar su acceso e implementación en estructuras de segmentación semántica basadas en redes convolucionales tales como Segnet y Deeplab.
  • Thumbnail Image
    Item
    Exploración de métodos de clasificación de proteínas repetidas basado en su información estructural utilizando aprendizaje de máquina
    (Pontificia Universidad Católica del Perú, 2020-09-04) Tenorio Ku, Luiggi Gianpiere; Hirsh Martinez, Layla
    En la actualidad, existen métodos complejos para la clasificación e identificación de proteínas repetidas a partir de su estructura, los cuales implican un uso intenso y costoso de recursos computacionales. Debido a ello, en el presente trabajo de investigación se busca explorar soluciones alternativas y complementarias a otros sistemas en la etapa de clasificación de proteínas repetidas con técnicas del área de estudio de aprendizaje de máquina. Estas técnicas son conocidas por ser efectivas y rápidas para la sistematización de varios procedimientos de clasificación, segmentación y transformación de datos con la condición de que se disponga de una cantidad considerable de datos. De esa forma, en consecuencia de la cantidad de datos estructurales que se han generado en los últimos años en el ambito de las proteínas y las proteínas repetidas, es posible utilizar técnicas de aprendizaje de máquina para la clasificación de las mismas. Por ello, en este trabajo, a partir de un análisis a los datos que se poseen en la actualidad y una revisión sistemática de la literatura, se proponen posibles soluciones que utilizan aprendizaje de máquina para la clasificación automatizada y rápida de proteínas repetidas a partir de su estructura. De estas posibles soluciones, se concluye que es posible la implementación de un clasificador con múltiples entradas utilizando información de los ángulos de torsión y distancia entre aminoácidos de una proteína, la cual va a ser implementada y evaluada en un trabajo futuro.