Este documento presenta el entrenamiento y desarrollo de un traductor automático basado en la arquitectura Transformer, diseñado para la traducción del quechua ayacuchano al español y viceversa. El proyecto surge de la necesidad de cerrar la brecha de comunicación entre la población quechua hablante y las diversas instituciones, contribuyendo a la preservación de este idioma originario peruano. El traductor no solo facilita la comunicación, sino que también sirve como una herramienta vital en la era digital para la revitalización y el empoderamiento lingüístico. Al emplear una tecnología de vanguardia, este modelo busca demostrar la aplicabilidad de la inteligencia artificial para desafíos sociales y culturales específicos, promoviendo el acceso y la visibilidad del quechua en espacios digitales.

Curso: NLP Sección A

Alumnos:
Ruddy Acevedo
Ricardo Solis
Dennis Vilacahuamán
Ayrton Fuertes

Tema: Predicción de brotes de dengue usando algoritmos de machine learning - aprendizaje supervisado

Autores:

• Ruddy Acevedo Martínez
  José Zambrano Soto
  Dennis Vilcahuamán Dolorier
  Ayrton Fuertes Malca
  Ricardo Jesús Solís Almerco

Resumen:
Desde principios de 2024, se han notificado más de 10 millones de casos de dengue y más de 5 000 muertes relacionadas con el dengue en 80 países/territorios. La mayoría de los casos a nivel mundial se han notificado de la Organización Panamericana de la Salud (OPS). Los más de nueve millones de casos notificados por la OPS en 2024 son el doble de los casos notificados a lo largo de 2023. En nuestra región, Brasil ha notificado el mayor número de casos en 2024, seguido de Argentina, Paraguay y Perú.
Debido al problema mencionado este artículo y a través de algoritmos de machine learning se pretende ayudar a las autoridades y pobladores a conocer la cantidad de casos de manera anticipada; en base a esto tomar las medidas respectivas para la mitigación y control del dengue realizando campañas de prevención, educación y ayuda.

Para la construcción de los modelos de machine learning se usaron Datasets de condiciones climáticas, información geográfica, socioeconómicas, así como el número de casos reportados por los centros de salud desde el 2005 al 2023. A su vez se aplicó un preprocesamiento a la data antes de aplicar los algoritmos de regresión. Luego de lo mencionado se procedió a aplicar diversos modelos con el objetivo de comparar sus resultados y seleccionar el de mejor resultado, es decir con modelo que nos da el mejor coeficiente de correlación.

Tema: Modelo de Clasificación y Aprendizaje para la detección de Hongos Comestibles y Hongos no Comestibles

Integrantes:
- Acevedo Martínez, Ruddy Enrique
- Zambrano Soto, José
- Fuertes Malca, Ayrton
- Solis Almerco, Ricardo
- Vilcahuamán Dolorier, Dennis Albert

Resumen:
Además de ser una gran fuente de nutrientes y sustancias bioactivas, los hongos o setas comestibles son cada vez más populares entre la gente por sus sabores y cualidades culinarias. Debido a sus posibles ventajas para la salud humana, recientemente han ganado atractivo como alimentos funcionales. Por tanto, los hongos comestibles, tanto de cultivo como silvestres, son de especial interés para el sector alimentario. Sin embargo, no es tan simple distinguir entre ellos. Este artículo usó un dataset con 54034 etiquetados con las siguientes variables: diámetro del sombrero, forma del sombrero, el himenio, altura del tallo, color del himenio, ancho del tallo y color del tallo y estación y la etiqueta que indica la clase.
La técnica de aprendizaje supervisado que mejor resultado nos dio fue el algoritmo Random Forest obteniéndose una exactitud del 99% sobre el dataset.

Se adjuntan los siguientes artefactos:

-Artículo
-Dataset
-Notebook Python
-Matrices de Confusión.