https://rinacional.tecnm.mx/jspui/handle/TecNM/900 2026-05-01T01:14:18Z 2026-05-01T01:14:18Z Parra Valenzuela, Jaqueline https://rinacional.tecnm.mx/jspui/handle/TecNM/6467 2023-10-17T15:35:32Z 2023-01-01T00:00:00Z

Title: Aplicación web para el monitoreo remoto de los parámetros de calidad del agua en estanques acuícolas usando tecnologías de Aprendizaje máquina e Internet de las cosas Authors: Parra Valenzuela, Jaqueline Description: En la industria acuícola es fundamental mantener un monitoreo continuo de los parámetros de calidad del agua en los estanques; ya que los organismos acuáticos deben sobrevivir en un entorno simulado, de lo contrario el rendimiento y la productividad de la industria se verían afectados. Para ello, este trabajo propone una solución basada en ingeniería de software para el monitoreo utilizando tecnologías de Internet de las cosas y pronóstico utilizando tecnologías de Aprendizaje máquina de los parámetros de calidad del agua en los estanques acuícolas, utilizando servicios externos para recibir la información de los sensores. En el sector acuícola, al menos hablando de la cría de camarón existen diferentes etapas en las que se pueden aplicar estos sistemas de monitoreo: En laboratorios de postlarva (donde se lleva a cabo la siembra de camarón), en el transporte hacia una granja acuícola y en las granjas acuícolas (una vez que el camarón alcanza cierta etapa se envían a una granja acuícola para que continúen su desarrollo hasta alcanzar la etapa comercial). El sistema se implementó para la etapa del transporte, pero su arquitectura fue diseñada para que se pudiera adaptar al resto de las etapas fácilmente. Este sistema se basa en una aplicación móvil que recibe por Bluetooth los datos que son enviados de los sensores de oxígeno disuelto y temperatura, una vez recibidos los procesa, es decir les agrega la fecha y la hora a la fueron recibidos y los envía a una aplicación web para que los usuarios los puedan visualizar en cualquier dispositivo. La aplicación web, envía alertas por correo electrónico a los usuarios, realiza un pronóstico a múltiples pasos al futuro del estado del oxígeno disuelto y temperatura y muestra los datos mediante tableros de control y gráficos. Desarrollar un sistema Internet de las cosas es de gran ayuda para recolectar datos y así mismo aplicar otros sistemas que permitan estudiar esos datos para resolver distintas problemáticas, en el caso de los laboratorios y granjas acuícolas, este sistema puede brindar información anticipada a los usuarios sobre el futuro estado de los parámetros de calidad del agua, para que se puedan prevenir riesgos en la producción. Sin embargo, como trabajo a futuro es necesario que se tome un tiempo mínimo de un año para recolectar datos por medio de la aplicación y que los modelos de entrenamiento mejoren y puedan brindar información más acertada.

2023-01-01T00:00:00Z Tejeda Ochoa, David Alejandro https://rinacional.tecnm.mx/jspui/handle/TecNM/6466 2023-10-17T15:41:20Z 2022-01-01T00:00:00Z

Title: Técnicas de deep learning para el control de un Mecanismo implementando visión artificial Authors: Tejeda Ochoa, David Alejandro Description: Las inteligencia artificial se ha vuelto una de las áreas de conocimiento más importantes del último tiempo, hay empresas como Google, Microsoft o Amazon que ponen cada vez más atención a desarrollar e integrar a sus productos técnicas de esta disciplina. Desde el procesamiento del lenguaje para los asistentes virtuales, hasta la fotografía móvil, en donde los celulares ya han llegado a un punto que con el procesamiento de imagen realizado por la inteligencia artificial ha logrado acercarse al resultado de una cámara fotográfica profesional. Integrar las tecnologías de esta área con otras áreas se ha convertido en un desafío para los equipos de desarrollo. Unas de las áreas que podría trabajar en conjunto con estas técnicas sería la del control e instrumentación. Por su naturaleza, estas áreas ya cuentan con un algoritmo programado para realizar las tareas, por lo que es posible, dentro de esa programación, integrar algoritmos de inteligencia artificial. El proyecto aquí presentado hace una integración entre estas áreas de conocimiento, inteligencia artificial, control e instrumentación, adaptando técnicas de inteligencia artificial como lo es la visión artificial o el aprendizaje profundo, a sistemas de control e instrumentación convencionales. Este es capaz de hacer mediciones en tiempo real de la posición y velocidad angular de un mecanismo de péndulo invertido, por medio de un sensor fotográfico, supliendo a los sensores como acelerómetro y giroscopio. Además de implementar una red neuronal en un sistema de control por modos deslizantes, obteniendo un control más robusto. Este sistema ha sido probado respecto a referencias ideales de posición, velocidad y señaales de control, obteniendo una rapidez de muestreo del sistema de visión artificial de entre 1 a 9 milisegundos, y una adaptación a perturbaciones lo suficientemente buena, también con una buena exactitud, acercándose a los valores reales. Además generando una señal de control acercada a la ideal, adaptándose, también, a perturbaciones bruscas que sufrió el sistema durante las pruebas.

2022-01-01T00:00:00Z Robles Montoya, Abel https://rinacional.tecnm.mx/jspui/handle/TecNM/6464 2023-10-16T21:53:17Z 2022-01-01T00:00:00Z

Title: Reconocimiento automático de atributos de personalidad para orientación vocacional Authors: Robles Montoya, Abel Description: En México solo 6 de cada 10 alumnos de educación superior logran terminar sus estudios; aunque las causas más comunes son los problemas socioeconómicos y personales; también la insatisfacción académica y el bajo rendimiento escolar impactan en gran medida, esto sugiere una mala elección de carrera. La personalidad del estudiante se ha identificado como un factor clave que influye en la elección de carrera; ya que los estudiantes eligen entornos académicos acordes con su personalidad; aunque muchas veces, los jóvenes no siempre saben qué opciones son las más adecuadas para sus características en particular. En este trabajo de investigación se presenta el desarrollo de un sistema de predicción de carreras profesionales utilizando como entrada un video del usuario; con el objetivo de ayudar a los estudiantes a tomar una mejor decisión. Para el desarrollo de este sistema fue necesario recopilar información de diferentes tipos como cuestionarios de personalidad e intereses profesionales, videos, así como información relativa a la formación académica y profesional de los participantes; con los que se generó un conjunto de datos (dataset) de personalidad e intereses profesionales. Este dataset se utilizó para entrenar modelos de aprendizaje máquina con el fin de predecir intereses profesionales a partir de video. El sistema PersonApp se utilizó como base para el desarrollo del sistema para recopilar información, adecuándolo a las necesidades actuales, con éste se logró generar una base de datos de 128 cuestionarios de personalidad e intereses profesionales y 68 videos; los valores de cada atributo de los cuestionarios de personalidad e intereses muestran una distribución normal. En cuanto a los resultados de los modelos de predicción; en el caso del modelo de personalidad es de un error promedio de 0.18, mientras que para el modelo de intereses profesionales es de 0.16. A partir de los datos analizados en los resultados, se puede ver un problema en los reconocedores al tratar de realizar las predicciones; problema originado debido a la distribución de los datos, la cual provoca que los modelos aprendan a minimizar el error arrojando valores cercanos a la media, lugar donde se encuentra el mayor volumen de datos. Estos problemas hacen al sistema de recomendación de carreras inexacto, por lo que se requiere seguir investigando para mejorar los modelos de aprendizaje.

2022-01-01T00:00:00Z Urias Favela, Oscar Francisco https://rinacional.tecnm.mx/jspui/handle/TecNM/6463 2023-10-16T21:41:10Z 2022-01-01T00:00:00Z

Title: Desarrollo e implementación de un AutoML en múltiples configuraciones de hardware para el análisis de ambientes distribuidos en tareas de clasificación y regresión Authors: Urias Favela, Oscar Francisco Description: En la actualidad el aprendizaje máquina es parte fundamental en el desarrollo tecnológico, debido al amplio campo de aplicaciones que tiene en la industria. Pero el proceso de modelos de aprendizaje máquina requiere de expertos capaces de producir algoritmos de alta complejidad, que sean iterativos, asá como una experiencia sólida en el ajuste de hiperparámetros. Como una solución a la falta de expertos en la creación de modelos de machine learning se desarrollaron nuevos sistemas llamados Automated Machine Learning (AutoML). Pero recientemente el gran aumento de datos, así como la falta de un análisis sobre las distintas configuraciones de hardware y como estos afectan al AutoML han hecho que estos sistemas requieran de un equipo de cómputo cada vez más costoso, lo que hace que no sean accesible para la organización e investigadores de países en desarrollo y sub desarrollados. En este proyecto se diseñaron múltiples configuraciones de hardware, las cuales puedan trabajar de manera distribuida para posteriormente implementar en cada una de ellas un sistema de AutoML para la realizaci´on de tareas de clasificación y regresión. Cada configuración cuenta con un modelo específico de GPU, las cuales son: RTX 3060ti, RTX 2080ti, GTX 1080 y Quadro M4000. Para el desarrollo del ambiente distribuido, se determinó que el modelo arquitectónico maestro-esclavo sería implementado, ya que permite dividir las cargas del AutoML entre múltiples computadoras. En modelo maestro-esclavo se designa una computadora como el nodo maestro, mientras que las otras trabajaran como nodo esclavo. Para realizar una conexión estable, se buscó implementar la comunicación mediante el bróker RabbitMQ, un sistema de gestión de mensajes el cual permite tener mejor control de los datos enviados entre nodos debido a su sistema de colas, organizando de mejor manera los canales de comunicación. Se utilizaron un total de cinco conjuntos de datos, de los cuales se utilizaron dos para tareas de clasificación, mientras que los otros tres fueron para tareas de regresión. Cada ambiente distribuido que se diseñó trabajó con diez experimentos por cada uno de los conjuntos de datos. Con base en los resultados obtenidos durante la experimentación, se realizó un análisis sobre el costo/beneficio que presentan cada ambiente distribuido. De esta manera se puede determinar cuál es la configuración de hardware óptima para la persona u organización que esté desarrollando su propio sistema de AutoML.

2022-01-01T00:00:00Z