Integrantes:
Chacón Rojas, Tamy Adela
Portillo Orellana, Hamed
Tito Gutierrez, Vladimir Leonardo

Resumen del trabajo

Este documento está estructurado de la siguiente manera.
Primero describimos el problema a tratar, definimos el alcance del sistema, describimos el conjunto de datos, planificación y pasos clave que se llevaron a cabo el trabajo. También explicamos el proceso y las técnicas utilizadas, como la limpieza de datos, la exploración y visualización de datos, los conocimientos adquiridos y el enfoque de modelado. Finalmente presentamos los resultados y discutimos el desempeño del modelo. Concluimos con un breve resumen del informe, y trabajo futuro.







Github: https://github.com/hamedportillo/Sistem ... ree/master

Sistema de clasificación por visión artificial de mangos tipo Tommy y herramientas de diseño gráfico para la obtención de imágenes de muestras de alimentos segmentadas y promediadas en coordenadas CIE-L*A*B*

Se busca implementar un sistema de visión artificial para la clasificación de mangos tipo Tommy determinando la calidad del producto según sus características físicas, el artículo también menciona los métodos de segmentación y reconocimiento para el procesamiento de imágenes, clasificación y posterior toma de decisiones.
En el hardware necesario para el sistema de visión artificial considera: cámara, procesador de datos (PC), la banda transportadora, y el mecanismo de selección

En el software:
- algoritmo secuencial
- la red de decisión (parámetros de selección tamaño y color del mango)

Para la selección se clasifica según sus colores (rojo, verde, amarillo) y tamaño (pequeño, óptimo) la estructura de programación es la siguiente:
- Adquisición: los factores a tomar en cuenta son la cámara y el tipo de iluminación; en este último se debe evitar reflejos e iluminación del entorno; la cámara se configura con el código contenido en el archivo M-file, el formato a usar es el RGB y con un tamaño de imagen de (640x480) pixeles
- Para el pre-procesamiento de la imagen se utiliza las siguientes funciones: im2bw, rgb2gra, strel, edge, imdilate, imfill, imerode, incrop
- Para la adquisición de variable se utiliza las siguientes funciones: regionprops, improfile, inhist, bwlabel, bwbowndarles
- Para la clasificación de color y tamaño, como tenemos los colores RGB en valores porcentuales, debemos adicionar los pesos
- En la deducción de resultados se muestra la cantidad de mangos identificados en la imagen, el tamaño, color predominante y el porcentaje de color RGB

Red de decisiones:
La toma de decisiones se hace a partir del modelo RGB, a partir de las capas de colores de la imagen se generan matrices y se le asignan los pesos a cada porcentaje de color.
Luego se hacen secuencias lógicas excluyentes, por ejemplo: si cumple con que el color predominante es rojo, el mango deberá ser aceptado.

Resultados:
Se tomó como ejemplo una imagen en la que se tenían mangos asignados a cada clase, por lo que al que tenía en su mayoría el color amarillo se le etiquetó como Y, al que tenía verde como G y en el que predominaba el rojo se etiquetó como R.

Para demarcar la frontera de los 3 mangos se utilizó los métodos de dilatación y erosión sobre la imagen en su formato binario, generándose en el software rectángulos enmarcando cada mango, posteriormente se hizo una correcciónd el ruido para corregir detalles como sombras o puntos negros en la imagen.

Se hizo uso de histogramas para cada capa de color de cada mango, de este modo se puede visualizar de una mejor forma los niveles de color, la concentración, llevando a escala de grises las imágenes de los mangos.

Posteriormente se hizo análisis de las imágenes y comprobar si efectivamente la clasificación que el programa hizo sobre los mangos es correcta según los criterios de decisión predefinidos.
En este artículo se busca obtener imágenes uniformes de varias muestras de alimentos, este paso es crucial a la hora de implementar un sistema de visión computarizada para la inspección de calidad de los alimentos basados en características físicas.

Para integrar el hardware y software de edición de imágenes se hizo diferentes ensayos variando tanto el hardware, como indicadores, funciones en el software de diseño gráfico, se implementó técnicas de segmentación por regiones y promediado para así obtener una buena imagen para una posterior toma de decisiones.

En el mercado hay instrumentos colorímetros pero son muy caros, además no realizan segmentación ni clasificación de las imágenes; por ejemplo tenemos los colorímetros Hunter, colorímetros Lovibond®, colorímetro Minolta, los espectrofotómetros, los cuales ofrecen mayor exactitud, Los atlas de color Munsell, tarjetas de color Roche®; sin embargo el sistema de visión, basado en una cámara 3CCD, es un buen instrumento para efectuar medidas de diferencia de color entre 2 muestras próximas; las cámaras digitales, en los últimos años están siendo cada vez más utilizadas en trabajos de visión computarizada debido a que son más baratas y con buenos resultados.

En el artículo nos habla sobre el espacio de color RGB y cómo transformarlo a CIE L*, a* y b*, ya que este último es más apropiado para la representación del color de superficies o materiales curvos iluminados por una fuente de luz.

Se hizo un ensayo con 2 modelos de cámaras digitales CCD, los cuales son E427 y M22; al finalizar se seleccionó la cámara modelo M22 por presentar el mejor enfoque sobre texto, en imágenes de 0,2 megapíxeles a una distancia de 35 cm.
Luego se hizo ensayos con respecto a la iluminación, el área a ser fotografiada, el fondo, la distancia al objeto, ángulos, etc.
Posteriormente se procesó la imagen y se segmentó, es este último paso para discriminar burbujas de aire, cavidades, nervios, venas, manchas negras, se realizó una segmentación por regiones para subdividir las imágenes en zona paraxial.
Para comparar los resultados obtenidos se utilizó la guía de color PANTONE solid matte como referencia.
Luego se pidió a dos observadores que compararan las imágenes promediadas con sus respectivas apreciaciones utilizando la misma herramienta de referencia, el PANTONE.
Se puede notar que en los valores de las coordenadas de las imágenes promediadas, existen coincidencias con las apreciaciones de los observadores, pero en otras hubo diferencias, las cuales eran algo ligeras en su mayoría, se concluyó que esto fue consecuencia de las diferencias en la visión de color entre los observadores por causas biológicas.


Conclusiones
• Actualmente podemos encontrar dispositivos de resonancia magnética, de tomografía axial, rayos X los cuales nos permiten hacer una inspección interna de los alimentos; sin embargo por ahora son muy costosos y requieren de mayor investigación
• Gracias a la visión artificial podemos hacer un seguimiento de calidad a productos alimenticios, en este caso el mango, optimizan de en recursos como mano de obra, tiempo.
• El procesamiento de imágenes, es más rápido cuando se maneja un solo valor que cuantifica a cada color RGBen vez de procesar matrices que consumen grandes recursos para el manejo de la información
• Los histogramas nos dan una idea de cuál es el color predominante, pero no podemos tomar una decisión solo en base a estos, es por ello que se implementa una red de decisión que tiene en cuenta otras características como el tamaño del mango.
• La utilización de las cámaras digitales es una muy buena opción a la hora de realizar trabajos de visión computarizada, debido a su bajo costo, posibilidad de configuración y calidad.
• Cada espacio de trabajo es diferente, varios factores pueden influir en la obtención del resultado final, como los materiales que tengamos disponibles, intensidad de luz, el entorno del trabajo; por lo que es necesario volver a realizar todas las pruebas que hizo el autor del artículo hasta encontrar la que mejores resultados nos dé.
• El sistema de visión computarizada y herramientas de diseño gráfico se puede implementar para determinar características físicas de calidad en muestras de alimentos.
• Esta técnica es buena para la obtención del color promedio en muestras de alimentos uniformes y no uniformes
• Este artículo puede ser tomado de referencia a la hora de implementar un SVC para la determinación de características físicas de calidad en muestras de alimentos

Referencias
Artículo 1: https://www.researchgate.net/publicatio ... tipo_Tommy
Artículo 2: https://www.researchgate.net/publicatio ... as_CIE-LAB

Diseño de un sistema de recomendación en repositorios de objetos de aprendizaje basado en la percepción del usuario y estado del arte de Sistemas de recomendación semánticos

Descripción
Se desarrolló un sistema de filtrado colaborativo, en base al algoritmo k-vecinos en repositorios de objetos de aprendizaje, también busca que esté basado en la percepción de usabilidad y utilidad que los usuarios tengan acerca de los objetos de aprendizaje en un repositorio, en este caso rodas.

Los sistemas de recomendación ahorran tiempo a los usuarios en la personalización de las búsquedas, además también sugieren otros objetos con valoración alta calificada por otros usuarios
El RODAS está conformado por dos subsistemas: rodasAdmin, el cual contiene todas las funcionalidad desde un administrador como la configuración del sistema, y rodas, este cuenta con las funciones de búsqueda y descarga, carga, posibilidad de participar en foros, chat.
Definiciones:
Objeto de aprendizaje: recurso digital que puede ser reutilizado en varios ambientes educativos y que tengan objetivo de educación claro. Sus características son: Educabilidad, usabilidad, interacción, reutilización.
Repositorios de objetos de aprendizaje: sistemas de software que almacenan objetos de aprendizaje; se estructuran como bases de datos con metadatos asociados.
Sistemas de recomendación: Hay 2 procesos para recoger información para recomendar:
-Recomendación basada en contenido, este proceso se hace analizando los metadatos del objeto de aprendizaje, relacionado con el dominio de conocimiento
-Recomendación basada en preferencias del usuario o recomendación colaborativa, se hace mediante la agregación estadística de las preferencias de otros usuarios.
Para poder registrar la percepción del usuario, se calificará según usabilidad, robustez, pertinencia y accesibilidad; el usuario calificará el objeto de aprendizaje en base a estos criterios.

Metodología: la metodología usada en este trabajo es la implementación del filtrad colaborativo basado en las usuarios de la vecindad próxima (k-means). Se usó técnicas estadísticas sobre las valoraciones que el usuario hizo sobe los objetos de aprendizaje, luego se compara con el historial de otros usuarios con preferencias similares y de este modo identificar qué otros ítems le podrían interesar.
El vecindario está formado por todos los usuarios que tienen un nivel de correlación con el usuario al que recomendaremos
Se definen los pesos para cada usuario con base en el coeficiente de correlación de Pearson, este coeficiente mide el nivel de cercanía o relación entre los usuarios, en relación a sus valoraciones a los objetos de aprendizaje.
La desviación estándar muestra el grado de dispersión de un grupo de datos de su media aritmética, nos dice cuánto se alejan los votos del usuario sobre el promedio de votos de un objeto de aprendizaje.
Para definir las recomendaciones, se buscan los objetos que hayan sido de interés para los vecinos del usuario a recomendar y que hayan realizado valoraciones y que el usuario al que recomendaré no haya evaluado aún.

Lo que definirá el peso del objeto o qué tan recomendable será: la cantidad de vecinos que hayan valorado el objeto y las valoraciones realizadas a un objeto por los vecinos
Resultados de la prueba de validación
Se tomó datos durante 5 días teniendo en cuenta características de usabilidad, accesibilidad y pertinencia que tienen los usuarios con respecto a los objetos de aprendizaje.
Se pudo visualizar gráficamente el grado de aceptación de las recomendaciones hechas por el software, demostrado por la descarga hecha del objeto de aprendizaje recomendado por el usuario o que fueron abiertos; también se pudo demostrar por el porcentaje de objetos recomendados que fueron calificados con 4 o 5 puntos en un rango de 1 a 5 donde 5 es el puntaje más alto.
Sistemas de recomendación semánticos (SRS): son herramientas de software que se basan en la interpretación "semántica" de las necesidades de información del usuario, La idea central detrás de estos sistemas es utilizar el conocimiento ontológico para describir los elementos con el fin de tener una representación profunda y estructurada de su contenido
Tipos de SRS:
- Sistemas basados en ontologías o esquemas de conceptos basan sus recomendaciones en ontologías para representar la información, modelar los perfiles de usuarios y los elementos.
- Sistemas adaptables al contexto son sistemas que se basan en una serie de factores para determinar en qué situación o contexto se encuentra el usuario y así adaptar las recomendaciones a ese contexto o situación.
- Sistemas basados en redes de confianza entre las diferentes partes que componen el sistema.

El Procesamiento del lenguaje natural en SRS se puede aplicar en 3 etapas:
- pre procesamiento de los documentos (eliminación de palabras vacías y signos de puntuación)
- Se aplica el proceso de etiquetado gramatical para la extracción de sustantivos de una serie de blogs
- Se extraen los sustantivos para generar una base de relaciones semánticas entre sustantivos y temas asociados de cada post

Aplicaciones del SRS:
- En el turismo permite la integración automática y dinámica de información heterogénea sobre viajes en línea, en otro de los trabajos referenciados también se hizo un modelo de guía turística, que recomienda puntos de interés, teniendo en cuenta factores como preferencias personales y atributos contextuales
- En otro de los trabajos realizados se propone un sistema de recomendación de películas híbrido haciendo uso de la semántica en su módulo basado en contenido junto con una técnica de filtrado colaborativo. Este hace una propuesta interesante para la "retroalimentación semántica" de los usuarios dentro del motor recomendador
- Hacer un sistema de recomendación de amigos basado en la semántica para redes sociales, basado en sus estilos de vida en lugar de gráficos sociales que recomienda amigos a los usuarios. El sistema propuesto descubre estilos de vida de los usuarios, mide la similitud de los estilos de vida entre los usuarios y los que tenga estilos de vida similares los recomienda.
- En otro trabajo hecho en la investigación de Garay se presentan un método no supervisado orientado a la sugerencia de etiquetas para posts de blogs utilizando información semántica de una base de conocimientos que posee todos los post existentes del blog.

Ventajas de utilizar SRS
- Podemos contar con una gran cantidad de conocimiento multidominio y ontológico libremente disponible para alimentar el sistema
- La naturaleza ontológica y relacional de los datos permite al sistema analizar descripciones de elementos a nivel semántico

Desventajas de utilizar SRS
- Normas y tecnologías de la Web Semántica para recuperar los datos requeridos y por lo tanto no hay necesidad de tareas de análisis de contenido para obtener una representación estructurada del contenido de los elementos.
- Los SRS se centran en generar recomendaciones en un solo dominio, es decir, un sistema con un conjunto distinto de usuarios y objetos
- Normalmente, las ontologías utilizadas por los sistemas de recomendación están diseñadas ad hoc6para una aplicación específica y construida manualmente


Conclusiones

• Si es muy grande el vecindario, los usuarios con mayor peso se ven opacados por los que tengan menor peso; si no fuese así puede suceder que los usuarios con menor peso dispersen la correlación con los vecinos de mayor peso.

• La percepción del usuario en cuanto a los factores de usabilidad, accesibilidad y pertinencia de los objetos de aprendizaje se pudo traducir en base a unos sistemas de valoración en escala de 1 a 5

• El 88,3% de los objetos recomendados tuvieron una votación alta por parte de los usuarios registrados y no hubo objeto con calificación menor a 3 puntos.

• Se ha demostrado que la precisión de las recomendaciones se puede mejorar integrando el contenido del sitio Web y la estructura del sitio

• Se propuso diversos aplicaciones que vinculan las tecnologías y el Sistema de Recomendación Semántica (SRS).

• Una gran parte de los sistemas de recomendación semánticos están orientados al campo del turismo, especialmente para recomendar lugares a los usuarios.

• Por lo general los sistemas de recomendación semánticos utilizan la arquitectura distribuida basada en agentes por la capacidad que tiene de tratar adecuadamente el carácter dinámico de los sistemas de recomendación dividiendo el problema en varios subproblemas.

Referencias
Artículo 1 en http://www.scielo.org.co/pdf/cein/v21n1/v21n1a04.pdf
Artículo 2 en http://scielo.sld.cu/pdf/rcci/v11n2/rcci14217.pdf

Convocatoria de Colaboradores para la Feria Convocatoria_COLABORADORES_Feria Proyectos 2020_1
* Su participación será considerado como horas extracurriculares con certificación.

https://docs.google.com/forms/d/e/1FAIp ... w/viewform

Inscripciones : Del 14 de agosto al 03 de setiembre
Formulario de Inscripción_Feria de Proyectos 2020_1
https://docs.google.com/forms/d/e/1FAIp ... w/viewform

Invitación Feria Proyectos 2020-1

Bases de la Feria Proyectos 2020_1

Título del paper: Análisis de producción avícola mediante técnicas de inteligencia de negocios y minería de datos

1. Objetivos
El propósito del trabajo es la implementación de una solución de BI y DM en ambiente web, enfocada en el análisis de los indicadores claves de desempeño (KPI's) de los procesos de producción y ventas de una empresa avícola ubicada en el cantón Pasaje - El Oro - Ecuador
Así mismo el paper el paper se desarrolla en torno a las disciplinas que son la Ciencia de Datos (DS), Inteligencia de Negocios (BI) y Minería de Datos (DM) para el análisis de datos y posteriormente la toma de decisiones.
El resultado final del paper es el desarrollo de una aplicación web denominada IncuAnalytic la cual es una herramienta que utiliza una data dinámica e histórica, y que transparenta la complejidad de las técnicas de análisis de datos al administrador o dueño de la empresa; permitiéndole obtener de manera oportuna información actualizada de sus KPI's o simplemente hacer predicciones que orienten la toma de decisiones

Técnicas, algoritmo, modelos, metodología
La metodología usada en el paper fue Cross Industry Standard Process for Data Mining (CRISP-DM) para el desarrollo de la solución BI y DM, cuyas etapas son:
1. Comprensión del negocio.
2. Comprensión de los datos
3. Preparación de Datos.
4. Diseño de la Arquitectura BI y del modelo de minería de datos
5. Evaluación.
6. Desarrollo o despliegue.

Las herramientas con las cuales se desarrolló el paper son:
- Postgres SQL para el data warehouse (DW)
- Pentaho Data Integration para el proceso ETL
- Pentaho BI Server para el Procesamiento Analítico en Línea (OLAP)
- Un Dashboard que integra los KPI'sy el diseño de un tablero de control
- El lenguaje R y el framework Shiny para la implementación de los modelos predictivos con técnicas de regresión y series temporales

Las Técnicas usadas fueron
• regresión
• series temporales

Las técnicas de DM seleccionadas fueron implementadas utilizando:
• IDE RStudio con el lenguaje R
• framework Shiny

Conclusiones
• IncuAnalytic fue desarrollada según la metodología CRISP-DM que sirvió de guía en cada fase del proceso.
• Las funcionalidades de esta aplicación se enfocan en el análisis de datos aplicando tanto BI como DM.
• Las herramientas utilizadas son open access (libre acceso), entre ellas están Pentaho, PostgresSql y R
• La aplicación IncuAnalytic trabaja con un almacén de datos dinámico que se alimenta periódicamente mediante un proceso ETL.
• Esta solución de BI y DM puede ser implementada en cualquier empresa avícola con procesos de producción y venta similares con mínimos cambios de reajuste de requerimientos particulares.
• En lo referente a BI se implementó un dashboard con interfaz web para la visualización consolidada y estadística de los KPI's y análisis multidimensional OLAP de información de producción y ventas de una empresa avícola del cantón Pasaje.

Resumen - Mapa conceptual
Para poder ver el resumen en un mapa conceptual hacer click en: https://www.mindomo.com/mindmap/22d8993 ... 6c5854aff4