Academic literature on the topic 'Aprendizaje supervisado'

La identificación de los sentimientos expresados en opiniones textuales puede entenderse como la categorización de los mismos según sus características, y resulta de gran interés en la actualidad. El aprendizaje supervisado es uno de los métodos más populares para la clasificación textual, pero se necesitan muchos datos etiquetados para el entrenamiento. El aprendizaje semi supervisado supera esta limitación, ya que implica trabajar con un pequeño conjunto de datos etiquetados y otro mayor sin etiquetar. Se desarrolló un método de clasificación de textos que combina ambos tipos de aprendizajes. Se recopilaron textos breves u opiniones de la red social Twitter, a los que se aplicaron una serie de acciones de limpieza y preparación, para luego clasificarlos en cuatro sentimientos: ira, asco, tristeza y felicidad. La precisión y recall obtenidos con el método fueron satisfactorios y como consecuencia, se logró obtener un corpus de mensajes categorizados según el sentimiento expresado.

El cambio climático ha provocado amenazas a la producción agrícola; los cambios extremos de temperatura y humedad, y otros factores de estrés abióticos contribuyen a la aparición de enfermedades y plagas en los cultivos. En este sentido, recientes esfuerzos de investigación se han enfocado en la predicción de plagas y enfermedades en cultivos haciendo uso de algoritmos de aprendizaje supervisado. En este artículo es presentada una revisión bibliográfica de los algoritmos de aprendizaje supervisado más utilizados para la detección de plagas y enfermedades en cultivos como: maíz, arroz, café, mango, maní, tomate, entre otros, con el objetivo de seleccionar los algoritmos con mejor rendimiento para el sector agrícola.

Objetivo: Identificar los métodos y las técnicas que se están utilizando en la analítica de aprendizaje, como apoyo al aula invertida para los cursos de programación. Metodología: Se realizó la búsqueda de artículos publicados en revistas y conferencias científicas, a partir de herramientas bibliográficas que ayudaron a construir el corpus de referencias. Luego se analizó la información más significativa de los documentos, para el desarrollo de la revisión sistemática. Resultados: Esta revisión identificó que los métodos y las técnicas han contribuido en la preparación de los estudiantes, la definición de estrategias para el aprendizaje de la programación, herramientas de detección de errores en el código fuente y sistemas de tutorías inteligentes. Mejorando la retención de los estudiantes, los hábitos de estudio y las experiencias de aprendizaje. Conclusiones: Las investigaciones han analizado los datos almacenados en sistemas de gestión de aprendizaje (LMS), con el fin de generar modelos de predicción que permitan mejorar la formación en línea, el rendimiento académico y la retroalimentación personalizada. Todos estos aportes han apoyado a las áreas de conocimiento de aprendizaje automático y minería de datos, con la solución de problemas relacionados al aprendizaje supervisado, no supervisado y la minería de datos educativa.

La gestión de talento humano es un factor fundamental en el éxito de las organizaciones. La inclusión en el entorno laboral de las personas con discapacidad ha ayudado a potenciar sus cualidades y a aprovechar su talento. Muchos de los sistemas de gestión de talento humano carecen de directrices para el reclutamiento y selección de una persona con discapacidad, es por eso por lo que el presente trabajo muestra el estudio realizado a estos dos procesos indicando los factores que influyen en la asignación o no de un cargo, donde de cada candidato es considerando el nivel y tipo de discapacidad, nivel de estudios, experiencia, capacitación entre otros aspectos, enfocándose en la tarea de aplicar técnicas de aprendizaje supervisado que permitan clasificar a un candidato con discapacidad para un puesto de trabajo como apto o no y técnicas de aprendizaje no supervisado como el clustering que ayuda a definir patrones ocultos en los datos si los hubiera. El resultado obtenido del estudio presenta varias técnicas de clasificación y la selección de la más adecuada para el conjunto de datos en cuestión, igualmente mediante técnicas de aprendizaje no supervisado se determina cuántos clústeres representativos se identifican en los datos. No se busca que se integren las personas a través de las discapacidades, sino todo lo contrario, que se integren las personas por medio de la potencialidad de todas sus capacidades.

La gestión de talento humano es un factor fundamental en el éxito de las organizaciones. La inclusión en el entorno laboral de las personas con discapacidad ha ayudado a potenciar sus cualidades y a aprovechar su talento. Muchos de los sistemas de gestión de talento humano carecen de directrices para el reclutamiento y selección de una persona con discapacidad, es por eso por lo que el presente trabajo muestra el estudio realizado a estos dos procesos indicando los factores que influyen en la asignación o no de un cargo, donde de cada candidato es considerando el nivel y tipo de discapacidad, nivel de estudios, experiencia, capacitación entre otros aspectos, enfocándose en la tarea de aplicar técnicas de aprendizaje supervisado que permitan clasificar a un candidato con discapacidad para un puesto de trabajo como apto o no y técnicas de aprendizaje no supervisado como el clustering que ayuda a definir patrones ocultos en los datos si los hubiera. El resultado obtenido del estudio presenta varias técnicas de clasificación y la selección de la más adecuada para el conjunto de datos en cuestión, igualmente mediante técnicas de aprendizaje no supervisado se determina cuántos clústeres representativos se identifican en los datos. No se busca que se integren las personas a través de las discapacidades, sino todo lo contrario, que se integren las personas por medio de la potencialidad de todas sus capacidades.

Este será el primero de dos artículos donde se tratarán los pasos necesarios para desarrollar un proyecto de aplicación de técnicas de Machine Learning en Salud, que introduce nociones sobre la recolección y análisis de datos, la selección y entrenamiento de modelos de aprendizaje automático de tipo supervisado y los métodos de validación interna para cada modelo.

La cobertura mediática de los conflictos armados suele centrarse en la atribución de responsabilidades, las consecuencias humanitarias o la seguridad, como señalan los principales estudios sobre medios y conflictos. La presente investigación analiza el uso de encuadres en los medios El Mundo, El País (España), HispanTV (Irán) y RT (Rusia) cuando cubren las guerras de Yemen y Ucrania. A través de novedosas técnicas de aprendizaje de máquina (en concreto, SVM), se muestra que los medios ruso e iraní no siguen las pautas de las rutinas periodísticas tradicionales, sino que el uso de encuadres depende de la posición geoestratégica de sus países de origen.

En este trabajo, se propone un modelo de análisis de sentimientos aplicado a las entrevistas laborales utilizando aprendizaje de máquina. Se realizó un registro de fijaciones de la mirada con técnicas de “Eye Tracking”. Posteriormente, se analizaron diferentes algoritmos de aprendizaje de máquina para análisis de sentimientos, seleccionando aprendizaje de máquina supervisado con redes neuronales Artificiales. Una vez obtenido el modelo, puede aplicarse a entrevistas laborales para la selección de personal en las organizaciones, mediante la interpretación de los patrones oculares. La entrevista laboral es un proceso importante en la selección de personal con múltiples fines, incluso evaluar la personalidad.

Ingeniero Civil Mecánico
El proyecto consistió en desarrollar una metodología para la optimización del plan de mantenimiento preventivo de una flota heterogénea subdividiendo ésta en subpoblaciones homogéneas. La flota de estudio de este trabajo fue una flota de camiones para la gran minería de la que se tiene una base de datos con información de horómetros de camiones, historial de motores y muestras de espectrometría. Se decidió trabajar en torno a los motores QSK. La metodología consistió principalmente en la obtención de datos de la flota junto al estudio de ésta, la aplicación del algoritmo para segmentar flota, luego gracias a la subdivisión se entrenó un clasificador, utilizando los resultados del proceso de segmentación, para el diagnóstico de un motor en funcionamiento asignándolo a un subgrupo. Se calculó la confiabilidad de cada subgrupo y finalmente se modeló cada subgrupo obteniendo así tiempos óptimos para la toma de decisión con respecto al momento de enviar un motor a mantenimiento. Para la obtención de las subpoblaciones se trabajó con k-means++ mediante el software python 3.0 a una base de datos de la flota con información de las covariables relevantes a los mecanismos de falla. Se obtuvo 4 clústers cada uno de estos asociados a un mecanismo de falla diferente: falla por edad, falla destructiva debido a filtración líquido de enfriamiento, falla en elementos del motor y filtración de agua. El clasificador para nuevos elementos de la flota fue una red neuronal MLP. El grafo de la red neuronal es de una entrada con 24 neuronas, una capa oculta de 14 neuronas y salida de 4 neuronas. Luego se determinó el plan óptimo de mantenimiento preventivo de cada subpoblación minimizando costos asociados a reemplazos de equipos o minimizando la indisponibilidad de los equipos. Los tiempos óptimos calculados son inferiores al MTTF por lo que se propone mantenimiento preventivo. Las confiabilidades de los subgrupos difieren, lo que es un gran problema al trabajar con la flota como si fuera homogénea. Esta metodología identificó subpoblaciones homogéneas con respecto a la totalidad de la flota permitiendo así un correcto estudio de la confiabilidad de la flota aportando información para la toma de decisiones y una correcta administración.

Magíster en Ciencias de la Ingeniería, Mención Mecánica
El objetivo de esta investigación es desarrollar un algoritmo capaz de detectar, cuantificar y localizar daño en tiempo real en estructuras de material compuesto tipo panal de abeja, buscando delaminaciones entre las paredes y el núcleo. Para llevar a cabo este objetivo es necesario recopilar datos experimentales de frecuencias naturales y modos de vibración de placas con y sin delaminación, los que servirán para validar un modelo numérico de la estructura. El modelo numérico se construye en MATLAB. La estructura compuesta se modela con tres paneles unidos por resortes que representan a la capa de adhesivo. La delaminación se introduce como una disminución de rigidez local en los resortes. Las características mecánicas del modelo numérico son obtenidas mediante un método de ajuste de modelos que utiliza los datos experimentales de las placas con y sin delaminación. Con este modelo, se generó una base de datos de placas con distintos escenarios de delaminación que sirvieron para los métodos de identificación de daño evaluados. Se proponen dos métodos de aprendizaje supervisado para la identificación de daño, las redes neuronales artificiales y un método de interpolación lineal basado en el principio de máxima entropía. Ambos métodos de identificación de daño fueron evaluados por separado para así determinar cuál es el que identifica de mejor manera la existencia, magnitud y ubicación del daño. Para evaluar los métodos de identificación de daño, se realizó un estudio para determinar cuál es el o los parámetros que mejor determinan la delaminación. Los resultados indican que es necesario combinar la información de las frecuencias naturales y de los modos de vibración de la estructura. Para evaluar el método basado en redes neuronales, primero se estudió cual era la mejor configuración en cuanto a funciones de transferencia y porcentaje de utilización de datos para entrenamiento y validación de la red entre 12 posibles opciones. Luego de encontrada la configuración óptima se estudió cuál es el número de neuronas de la capa oculta que entrega mejores resultados. Se encontró que la mejor configuración correspondía a: 80 neuronas en la capa oculta, una proporción de casos de la base de datos para entrenamiento y validación de 90/10, función de transferencia entre el input y la capa oculta de Logsig y función de transferencia entre la capa oculta y output de Satlins. Se determinó que el entrenamiento de redes es un proceso que requiere de altos recursos computacionales y sin embargo no entrega resultados confiables. Por otra parte se trabajó con un algoritmo de aproximación lineal basado en el principio de máxima entropía, que utiliza la misma base de datos que las redes neuronales pero no requiere entrenamiento y que entrega resultados con la misma velocidad que las redes. Se obtuvo que este algoritmo permite encontrar con bastante exactitud el sector de la placa que se encuentra delaminado, con hasta un 10,5% de error en la ubicación y un 22,9% de error en el tamaño de la delaminación. Además, contrario a los resultados obtenido con las redes neuronales, el método de aproximación lineal no detecta delaminaciones en lugares que no corresponden (falsos positivos). Se decide entonces optar por el algoritmo de aproximación lineal basado en el principio de máxima entropía para la detección de daño ya que utiliza menos recursos, entrega información más acertada que las redes neuronales artificiales, y se detecta el daño con bastante precisión.

Les xarxes neuronals convolucionals profundes (CNNs) han assolit resultats molt positius en diverses aplicacions de reconeixement visual, tals com classificació, detecció o segmentació d’imatges. En aquesta tesis, abordem dues limitacions de les CNNs. La primera, entrenar CNNs profundes requereix grans quantitats de dades etiquetades, les quals són molt costoses i àrdues d’aconseguir. La segona és que entrenar CNNs en sistemes d’aprenentatge continuu és un problema obert per a la recerca. L’oblit catastròfic en xarxes és molt comú quan s’adapta un model entrenat a nous entorns o noves tasques. Per tant, en aquesta tesis, tenim com a objectiu millorar les CNNs per a les aplicacions amb dades limitades i adaptar-les de forma contínua en noves tasques. L’aprenentatge auto-supervisat compensa la falta de dades etiquetades amb la introducció de tasques auxiliars en les quals les dades estan fàcilment disponibles. En la primera part de la tesis, mostrem com els rànquings es poden utilitzar de forma semblant a una tasca auto-supervisada per a problemes de regressió. Després, proposem una tècnica de propagació cap endarrera eficient per a xarxes siameses que prevenen el còmput redundant introduït per les arquitectures de xarxa multi-branca. A més a més, demostrem que mesurar la incertesa de les xarxes en les tasques semblants a les auto-supervisades és una bona mesura de la quantitat d’informació que contenen les dades no etiquetades. Aquesta mesura pot ser, aleshores, utilitzada per a l’execució de algoritmes d’aprenentatge actiu. Aquests marcs que proposem els apliquem doncs a dos problemes de regressió: Avaluació de la Qualitat d’Imatge (IQA) i el comptador de persones. En els dos casos, mostrem com generar de forma automàtica grups d’imatges ranquejades per a les dades no etiquetades. Els nostres resultats mostren que les xarxes entrenades per a la regressió de les anotacions de les dades etiquetades a la vegada que per aprendre a ordenar els rànquings de les dades no etiquetades, obtenen significativament millors resultats que superen l’estat de l’art. També demostrem que l’aprenentatge actiu utilitzant rànquings pot reduir la quantitat d’etiquetatge en un 50% per ambdues tasques de IQA i comptador de persones. A la segona part de la tesis, proposem dosmètodes per a evitar l’oblit catastròfic en escenaris d’aprenentatge seqüencial de tasques. El primer mètode deriva del de Consolidació Elàstica de Pesos, el qual utilitza la diagonal de la Matriu d’Informació de Fisher (FIM) per a mesurar la importància dels paràmetres de la xarxa. No obstant, l’aproximació assumida no és realista. Per tant, diagonalitzem aproximadament la FIMutilitzant un grup de paràmetres de rotació factoritzada proporcionant una millora significativa del rendiment de tasques seqüencials en el cas de l’aprenentatge continu. Per al segon mètode, demostrem que l’oblit es manifesta de forma diferent en cada capa de la xarxa i proposem un mètode híbrid on la destil·lació s’utilitza per a l’extractor de característiques i la rememoració en el classificador mitjançant generació de característiques. El nostremètode soluciona la limitació de la rememoració mitjançant la generació d’imatges i la destil·lació de probabilitats (com l’utilitzat en el mètode Aprenentatge Sense Oblit), i pot afegir de forma natural noves tasques en un únic classificador ben calibrat. Els experiments confirmen que el mètode proposat sobrepassa les mètriques de referència i part de l’estat de l’art.
Las redes neuronales convolucionales profundas (CNNS) han alcanzado resultados muy positivos en diferentes aplicaciones de reconocimiento visual, tales como clasificación, detección o segmentación de imágenes. En esta tesis, abordamos dos limitaciones de las CNNs. La primera, entrenar CNNs profundas requiere grandes cantidades de datos etiquetados, los cuales sonmuy costosos y arduos de conseguir. La segunda es que entrenar en sistemas de aprendizaje continuo es un problema abierto para la investigación. El olvido catastrófico en redes es muy común cuando se adapta un modelo entrenado a nuevos entornos o nuevas tareas. Por lo tanto, en esta tesis, tenemos como objetivo mejorar las CNNs para aplicaciones con datos limitados y adaptarlas de forma continua a nuevas tareas. El aprendizaje auto-supervisado compensa la falta de datos etiquetados con la introducción de tareas auxiliares en las cuales los datos están fácilmente disponibles. En la primera parte de la tesis, mostramos cómo los ránquings se pueden utilizar de forma parecida a una tarea auto-supervisada para los problemas de regresión. Después, proponemos una técnica de propagación hacia atrás eficiente para redes siamesas que previene el computo redundante introducido por las arquitecturas de red multi-rama. Además, demostramos quemedir la incertidumbre de las redes en las tareas parecidas a las auto-supervisadas, es una buena medida de la cantidad de información que contienen los datos no etiquetados. Dicha medida puede ser entonces usada para la ejecución de algoritmos de aprendizaje activo. Estosmarcos que proponemos los aplicamos entonces a dos problemas de regresión: Evaluación de Calidad de Imagen (IQA) y el contador de personas. En los dos casos, mostramos cómo generar de forma automática grupos de imágenes ranqueadas para los datos no etiquetados. Nuestros resultados muestran que las redes entrenadas para la regresión de las anotaciones de los datos etiquetados, a la vez que para aprender a ordenar los ránquings de los datos no etiquetados, obtienen resultados significativamente mejores al estado del arte. También demostramos que el aprendizaje activo utilizando ránquings puede reducir la cantidad de etiquetado en un 50% para ambas tareas de IQA y contador de personas. En la segunda parte de la tesis, proponemos dos métodos para evitar el olvido catastrófico en escenarios de aprendizaje secuencial de tareas. El primer método deriva del de Consolidación Elástica de Pesos, el cuál utiliza la diagonal de laMatriz de Información de Fisher (FIM) para medir la importancia de los pesos de la red. No obstante, la aproximación asumida no es realista. Por lo tanto, diagonalizamos la aproximación de la FIM utilizando un grupo de parámetros de rotación factorizada proporcionando una mejora significativa en el rendimiento de tareas secuenciales para el caso del aprendizaje continuo. Para el segundo método, demostramos que el olvido se manifiesta de forma diferente en cada capa de la red y proponemos un método híbrido donde la destilación se utiliza para el extractor de características y la rememoración en el clasificador mediante generación de características. Nuestro método soluciona la limitación de la rememoración mediante generación de imágenes y la destilación de probabilidades (como la utilizada en elmétodo Aprendizaje Sin Olvido), y puede añadir de forma natural nuevas tareas en un único clasificador bien calibrado. Los experimentos confirman que el método propuesto sobrepasa las métricas de referencia y parte del estado del arte.
Deep convolutional neural networks (CNNs) have achieved superior performance in many visual recognition application, such as image classification, detection and segmentation. In this thesis we address two limitations of CNNs. Training deep CNNs requires huge amounts of labeled data, which is expensive and labor intensive to collect. Another limitation is that training CNNs in a continual learning setting is still an open research question. Catastrophic forgetting is very likely when adapting trainedmodels to new environments or new tasks. Therefore, in this thesis, we aim to improve CNNs for applications with limited data and to adapt CNNs continually to new tasks. Self-supervised learning leverages unlabelled data by introducing an auxiliary task for which data is abundantly available. In the first part of the thesis, we show how rankings can be used as a proxy self-supervised task for regression problems. Then we propose an efficient backpropagation technique for Siamese networks which prevents the redundant computation introduced by the multi-branch network architecture. In addition, we show that measuring network uncertainty on the self-supervised proxy task is a good measure of informativeness of unlabeled data. This can be used to drive an algorithm for active learning. We then apply our framework on two regression problems: Image Quality Assessment (IQA) and Crowd Counting. For both, we show how to automatically generate ranked image sets from unlabeled data. Our results show that networks trained to regress to the ground truth targets for labeled data and to simultaneously learn to rank unlabeled data obtain significantly better, state-of-the-art results. We further show that active learning using rankings can reduce labeling effort by up to 50% for both IQA and crowd counting. In the second part of the thesis, we propose two approaches to avoiding catastrophic forgetting in sequential task learning scenarios. The first approach is derived from ElasticWeight Consolidation, which uses a diagonal Fisher InformationMatrix (FIM) tomeasure the importance of the parameters of the network. However the diagonal assumption is unrealistic. Therefore, we approximately diagonalize the FIM using a set of factorized rotation parameters. This leads to significantly better performance on continual learning of sequential tasks. For the second approach, we show that forgetting manifests differently at different layers in the network and propose a hybrid approach where distillation is used in the feature extractor and replay in the classifier via feature generation. Our method addresses the limitations of generative image replay and probability distillation (i.e. learning without forgetting) and can naturally aggregate new tasks in a single, well-calibrated classifier. Experiments confirmthat our proposed approach outperforms the baselines and some start-of-the-art methods.

En la presente Tesis Doctoral, se analiza fundamentalmente la aplicabilidad de los Sistemas de Múltiple Clasificación (SMC) en el marco de la regla del vecino más cercano. Una primera línea fundamental de investigación se centra en los algoritmos de preprocesado, con el objetivo de resolver diferentes problemas relacionados con la calidad de la muestra de entrenamiento: presencia de patrones redundantes, atípicos o ruidosos, bases de datos con un tamaño excesivo y desbalance entre las distribuciones de las clases. Otro aspecto de gran relevancia hace referencia a la efectividad de los componentes individuales del SMC dentro del método de votación, para lo cual se proponen nuevas técnicas de ponderación dinámica y estática de las decisiones individuales. El tercer punto central se refiere al análisis de diversidad de los clasificadores, utilizando para ello diversas medidas existentes en la literatura afín. Otras cuestiones ampliamente analizadas a lo largo de esta tesis son: las técnicas de muestreo (bagging, boosting, arcing y selección secuencial aleatoria), el tamaño del SMC y, por último, la viabilidad de utilizar dos modelos de redes neuronales artificiales (perceptrón multicapa y red modular).

Desde las últimas décadas, el impacto negativo que generan las actividades humanas ha incrementado la importancia de la protección del medio ambiente año tras año tanto en el mundo como en el Perú. Por esta razón, los gobiernos a nivel mundial implementan mecanismos de protección ambiental tales como las denuncias ambientales. Estas permiten a la población informar sobre una posible contaminación ambiental a las autoridades competentes con el fin de que tomen las acciones necesarias, para esto, es necesario que las denuncias sean formuladas, clasificadas y derivadas de forma correcta y oportuna. Sin embargo, para realizar esas tareas de forma correcta se requiere de un amplio conocimiento técnico y legal que pocas personas poseen, esto lleva a que las denuncias ambientales no puedan ser atendidas de forma rápida y eficiente generando malestar en la población afectada. Frente a esta problemática, se propone una solución informática que gestione de forma automática la clasificación y derivación de denuncias ambientales mediante el uso del aprendizaje de máquina. Considerando que la mayoría de las denuncias ambientales consisten en textos se aplica técnicas de procesamiento de lenguaje natural que mediante algoritmos de clasificación de múltiples etiquetas se pueda clasificar automáticamente las denuncias ambientales lo que mejorará los tiempos de atención.
Since the last decades, the negative impact generated by human activities has increased the importance of protecting the environment year after year both in the world and in Peru. For this reason, governments worldwide implement mechanisms for environmental protection such as environmental complaints. These allow the population to report possible environmental contamination to the competent authorities for them to take the necessary actions, for this, it is necessary that the complaints be formulated, classified, and derived in a correct and timely manner. However, to perform these tasks correctly requires extensive technical and legal knowledge that few people possess, this means that environmental complaints cannot be dealt with quickly and efficiently, generating discomfort in the affected population. Faced with this problem, a computer solution is proposed that automatically manages the classification and derivation of environmental complaints using machine learning. Considering that most environmental complaints consists of texts, natural language processing techniques are applied that, using multi-label classification algorithms, environmental complaints can be automatically classified, which will improve service times.
Tesis

Un dels problemes fonamentals de la visió per computador és representar imatges amb descripcions compactes semànticament rellevants. Aquestes descripcions podrien utilitzar-se en una àmplia varietat d'aplicacions, com la comparació d'imatges, la detecció d'objectes i la cerca de vídeos. L'objectiu principal d'aquesta tesi és estudiar les representacions d'imatges des de dos aspectes: les descripcions de color i les descripcions profundes amb xarxes neuronals. A la primera part de la tesi partim de descripcions de color modelades a mà. Existeixen noms comuns en diverses llengües per als colors bàsics, i proposem un mètode per estendre els noms de colors addicionals d'acord amb la seva naturalesa complementària als bàsics. Això ens permet calcular representacions de noms de colors de longitud arbitrària amb un alt poder discriminatori. Els experiments psicofísics confirmen que el mètode proposat supera els marcs de referència existents. En segon lloc, en agregar estratègies d'atenció, aprenem descripcions de colors profundes amb xarxes neuronals a partir de dades amb anotacions per a la imatge, en comptes de per a cada un dels píxels. L'estratègia d'atenció aconsegueix identificar correctament les regions rellevants per a cada classe que volem avaluar. L'avantatge de l'enfocament proposat és que els noms de colors a utilitzar es poden aprendre específicament per a dominis dels que no existeixen anotacions a nivell de píxel. A la segona part de la tesi, ens centrem en les descripcions profundes amb xarxes neuronals. En primer lloc, abordem el problema de comprimir grans xarxes de descriptors en xarxes més petites, mantenint un rendiment similar. Proposem destil·lar les mètriques d'una xarxa mestre a una xarxa estudiant. S'introdueixen dues noves funcions de cost per a modelar la comunicació de la xarxa mestre a una xarxa estudiant més petita: una basada en un mestre absolut, on l'estudiant pretén produir els mateixos descriptors que el mestre, i una altra basada en un mestre relatiu, on les distàncies entre parells de punts de dades són comunicades del mestre a l'alumne. A més, s'han investigat diversos aspectes de la destil·lació per a les representacions, incloses les capes d'atenció, l'aprenentatge semi-supervisat i la destil·lació de qualitat creuada. Finalment, s'estudia un altre aspecte de l'aprenentatge per mètrica profund, l'aprenentatge continuat. Observem que es produeix una variació del coneixement après durant l'entrenament de noves tasques. En aquesta tesi es presenta un mètode per estimar la variació semàntica en funció de la variació que experimenten les dades de la tasca actual durant el seu aprenentatge. Tenint en compte aquesta estimació, les tasques anteriors poden ser compensades, millorant així el seu rendiment. A més, mostrem que les xarxes de descripcions profundes pateixen significativament menys oblits catastròfics en comparació amb les xarxes de classificació quan aprenen noves tasques.
Uno de los problemas fundamentales de la visión por computador es representar imágenes con descripciones compactas semánticamente relevantes. Estas descripciones podrían utilizarse en una amplia variedad de aplicaciones, como la comparación de imágenes, la detección de objetos y la búsqueda de vídeos. El objetivo principal de esta tesis es estudiar las representaciones de imágenes desde dos aspectos: las descripciones de color y las descripciones profundas con redes neuronales. En la primera parte de la tesis partimos de descripciones de color modeladas a mano. Existen nombres comunes en varias lenguas para los colores básicos, y proponemos un método para extender los nombres de colores adicionales de acuerdo con su naturaleza complementaria a los básicos. Esto nos permite calcular representaciones de nombres de colores de longitud arbitraria con un alto poder discriminatorio. Los experimentos psicofísicos confirman que el método propuesto supera a los marcos de referencia existentes. En segundo lugar, al agregar estrategias de atención, aprendemos descripciones de colores profundos con redes neuronales a partir de datos con anotaciones para la imagen en vez de para cada uno de los píxeles. La estrategia de atención logra identificar correctamente las regiones relevantes para cada clase que queremos evaluar. La ventaja del enfoque propuesto es que los nombres de colores a usar se pueden aprender específicamente para dominios de los que no existen anotaciones a nivel de píxel. En la segunda parte de la tesis, nos centramos en las descripciones profundas con redes neuronales. En primer lugar, abordamos el problema de comprimir grandes redes de descriptores en redes más pequeñas, manteniendo un rendimiento similar. Proponemos destilar las métricas de una red maestro a una red estudiante. Se introducen dos nuevas funciones de coste para modelar la comunicación de la red maestro a una red estudiante más pequeña: una basada en un maestro absoluto, donde el estudiante pretende producir los mismos descriptores que el maestro, y otra basada en un maestro relativo, donde las distancias entre pares de puntos de datos son comunicadas del maestro al alumno. Además, se han investigado diversos aspectos de la destilación para las representaciones, incluidas las capas de atención, el aprendizaje semi-supervisado y la destilación de calidad cruzada. Finalmente, se estudia otro aspecto del aprendizaje por métrica profundo, el aprendizaje continuado. Observamos que se produce una variación del conocimiento aprendido durante el entrenamiento de nuevas tareas. En esta tesis se presenta un método para estimar la variación semántica en función de la variación que experimentan los datos de la tarea actual durante su aprendizaje. Teniendo en cuenta esta estimación, las tareas anteriores pueden ser compensadas, mejorando así su rendimiento. Además, mostramos que las redes de descripciones profundas sufren significativamente menos olvidos catastróficos en comparación con las redes de clasificación cuando aprenden nuevas tareas.
One of the fundamental problems of computer vision is to represent images with compact semantically relevant embeddings. These embeddings could then be used in a wide variety of applications, such as image retrieval, object detection, and video search. The main objective of this thesis is to study image embeddings from two aspects: color embeddings and deep embeddings. In the first part of the thesis we start from hand-crafted color embeddings. We propose a method to order the additional color names according to their complementary nature with the basic eleven color names. This allows us to compute color name representations with high discriminative power of arbitrary length. Psychophysical experiments confirm that our proposed method outperforms baseline approaches. Secondly, we learn deep color embeddings from weakly labeled data by adding an attention strategy. The attention branch is able to correctly identify the relevant regions for each class. The advantage of our approach is that it can learn color names for specific domains for which no pixel-wise labels exists. In the second part of the thesis, we focus on deep embeddings. Firstly, we address the problem of compressing large embedding networks into small networks, while maintaining similar performance. We propose to distillate the metrics from a teacher network to a student network. Two new losses are introduced to model the communication of a deep teacher network to a small student network: one based on an absolute teacher, where the student aims to produce the same embeddings as the teacher, and one based on a relative teacher, where the distances between pairs of data points is communicated from the teacher to the student. In addition, various aspects of distillation have been investigated for embeddings, including hint and attention layers, semi-supervised learning and cross quality distillation. Finally, another aspect of deep metric learning, namely lifelong learning, is studied. We observed some drift occurs during training of new tasks for metric learning. A method to estimate the semantic drift based on the drift which is experienced by data of the current task during its training is introduced. Having this estimation, previous tasks can be compensated for this drift, thereby improving their performance. Furthermore, we show that embedding networks suffer significantly less from catastrophic forgetting compared to classification networks when learning new tasks.

Las señales electrocardiográficas, ya sea adquiridas en la piel del paciente (electrocardiogamas de superficie, ECG) o de forma invasiva mediante cateterismo (electrocardiogramas intracavitarios, iECG) ayudan a explorar la condición y función cardíacas del paciente, dada su capacidad para representar la actividad eléctrica del corazón. Sin embargo, la interpretación de las señales de ECG e iECG es una tarea difícil que requiere años de experiencia, con criterios diagnósticos complejos para personal clínico no especialista, que en muchos casos deben ser interpretados durante situaciones de gran estrés o carga de trabajo como en la unidad de cuidados intensivos, o durante procedimientos de ablación por radiofrecuencia (ARF) donde el cardiólogo tiene que interpretar cientos o miles de señales individuales. Desde el punto de vista computacional, el desarrollo de herramientas de alto rendimiento mediante técnicas de análisis basadas en datos adolece de la falta de bases de datos anotadas a gran escala y de la naturaleza de “caja negra” que están asociados con los algoritmos considerados estado del arte en la actualidad. Esta tesis trata sobre el entrenamiento de algoritmos de aprendizaje automático que ayuden al personal clínico en la interpretación automática de ECG e iECG. Esta tesis tiene cuatro contribuciones principales. En primer lugar, se ha desarrollado una herramienta de delineación del ECG para la predicción de los inicios y finales de las principales ondas cardíacas (ondas P, QRS y T) en registros compuestos de cualquier configuración de derivaciones. En segundo lugar, se ha desarrollado un algoritmo de generación de datos sintéticos que es capaz de paliar el impacto del reducido tamaño de las bases de datos existentes para el desarrollo de algoritmos de delineación. En tercer lugar, la metodología de análisis de datos de ECG se aplicó a datos similares, en registros electrocardiográficos intracavitarios, con el mismo objetivo de marcar inicios y finales de activaciones locales y de campo lejano para facilitar la localización de sitios de ablación adecuados en procedimientos de ARF. Para este propósito, el algoritmo de delineación del ECG de superficie desarrollado previamente fue empleado para preprocesar los datos y marcar la detección del complejo QRS. En cuarto y último lugar, el algoritmo de delineación de ECG de superficie fue empleado, junto con un algoritmo de reducción de dimensionalidad, Multiple Kernel Learning, para agregar la información del ECG de 12 derivaciones y lograr la identificación de marcadores que permitan la estratificación del riesgo de muerte súbita cardíaca en pacientes con cardiomiopatía hipertrófica.
Electrocardiographic signals, either acquired on the patient’s skin (surface electrocardiogam, ECG) or invasively through catheterization (intracavitary electrocardiogram, iECG) offer a rich insight into the patient’s cardiac condition and function given their ability to represent the electrical activity of the heart. However, the interpretation of ECG and iECG signals is a complex task that requires years of experience, difficulting the correct diagnosis for non-specialists, during stress-related situations such as in the intensive care unit, or in radiofrequency ablation (RFA) procedures where the physician has to interpret hundreds or thousands of individual signals. From the computational point of view, the development of high-performing pipelines from data analysis suffer from lack of large-scale annotated databases and from the “black-box” nature of state-of-the-art analysis approaches. This thesis attempts at developing machine learning-based algorithms that aid physicians in the task of automatic ECG and iECG interpretation. The contributions of this thesis are fourfold. Firstly, an ECG delineation tool has been developed for the markup of the onsets and offsets of the main cardiac waves (P, QRS and T waves) in recordings comprising any configuration of leads. Secondly, a novel synthetic data augmentation algorithm has been developed for palliating the impact of small-scale datasets in the development of robust delineation algorithms. Thirdly, this methodology was applied to similar data, intracavitary electrocardiographic recordings, with the objective of marking the onsets and offsets of events for facilitating the localization of suitable ablation sites. For this purpose, the ECG delineation algorithm previously developed was employed to pre-process the data and mark the QRS detection fiducials. Finally, the ECG delineation approach was employed alongside a dimensionality reduction algorithm, Multiple Kernel Learning, for aggregating the information of 12-lead ECGs with the objective of developing a pipeline for risk stratification of sudden cardiac death in patients with hypertrophic cardiomyopathy.

Introducción
Este trabajo describe las contribuciones al aprendizaje estadístico desarrollado e implementado en imágenes de Resonancia Magnética (RM). Concretamente, se describe la contribución a los análisis de componentes independientes (ICA), perteneciente al aprendizaje no supervisado, en la mejora de la metodología existente. Ésta mejora metodológica es desarrollada y aplicada para las distintas técnicas de adquisición de imagen:

1. Imagen cerebral adquirida mediante RM estructural en el estudio de la forma de la estructura del hipocampo para la enfermedad de Alzheimer, donde estudios previos longitudinales la asocian con el deterioro debido de la enfermedad.
2. Imagen cerebral adquirida mediante RM funcional para el estudio de la plasticidad cerebral asociada a procesos de aprendizaje.

Metodología
En el estudio de la forma del hipocampo se introduce la técnica de análisis de datos funcionales (FDA) para formas bidimensionales (2D) y tridimensionales (3D). En ambos estudios se propone una función discriminante lineal basada en ICA para la mejora en la clasificación de los datos. Por otro lado, en el estudio de la plasticidad cerebral se aporta un análisis donde las imágenes de RMf adquiridas en estado de reposo son guiadas por las imágenes de RMf basada en tarea, con el objetivo de encontrar un cambio de la conectividad funcional dado por el proceso de entrenamiento en una tarea nueva.

Conclusiones
La aproximación mediante FDA para el análisis de imagen, muestra una superioridad con respecto a otras aproximaciones utilizadas. Además, la función discriminante basada en ICA propuesta en este trabajo proporciona mejores resultados en discriminación que usando la metodología descrita en la literatura previa. Con respecto al estudio de las imágenes de RMf, se muestra que la RMf en estado de reposo guiado por RMf basado en tarea abre un nuevo camino para el estudio de cómo el aprendizaje genera plasticidad cerebral.

La present tesi recull els resultats de la recerca orientada a aportar una metodologia de caracterització elèctrica, modelat i simulació per a dispositius de commutació resistiva, quan es consideren aplicacions de computació neuromòrfica basades en aprenentatge no-supervisat, àmpliament demandades en l’actualitat com a solució de baix consum a les següents problemàtiques: per una banda, la limitació de la velocitat en la transferència de dades entre les unitats de memoria i processament que té lloc en les arquitectures de computador convencional (von Neumann). Per altra banda, la necessitat creixent de sistemes computacionals que realitzin tasques de classificació, anàlisi i inferència de quantitats massives de dades (per exemple, per a aplicacions de Big Data), junt amb tasques de detecció de patrons, predicció de comportaments i presa de decisions (aplicacions enfocades a Internet-of-Things, entre d’altres). En concret, s’investiguen els dispositius Oxide-based Resistive Random Access Memory (OxRAM) com a candidats per a la implementació electrònica de sinapsis en xarxes neuronals artificials físiques, altrament anomenades arquitectures neuromòrfiques. En primer lloc, es presenta una introducció teòrica a les diferents tecnologies electròniques amb propietats de commutació resistiva i memòria no volàtil, junt amb les figures de mèrit de cadascuna d’aquestes, tan demostrades com projectades segons l’International Roadmap for Devices and Systems de 2018. Amb aquest primer capítol, es pretén proveïr al lector de les bases necessàries per a poder comprendre els resultats exposats en els següents capítols. A continuació i mitjançant un enfocament bottom-up dividit en tres capítols, es tracten els procediments i resultats de la caracterització elèctrica i modelat dels dispositius estudiats per a la implementació de sinapsis electròniques analògiques. Com a punt de partida, es verifica experimentalment que els dispositius compleixen els requisits necessaris per a l’aplicació indicada. Al següent capítol, es demostren de forma experimental dues regles d’aprenentatge fonamentals per a poder executar algorismes d’aprenentatge autònoms (no supervisats) sobre una arquitectura neuromòrfica basada en els dispositius analitzats. Les regles d’aprenentatge demostrades permeten que els dispositius emulin procesos i mecanismes d’aprenentatge reportats en el camp de les neurociències, tals com la dependència temporal de la plasticitat, o el fenòmen de condicionament clàssic, per al qual es replica l’experiment dels gossos de Pavlov, permetent establir els fonaments de l’aprenentatge associatiu en dos o més dispositius. Per a concloure aquesta part relativa a les sinapsis electròniques analògiques, es proposa l’adaptació hardware d’un algorisme d’aprenentatge no supervisat. L’algorisme dissenyat permet que el sistema organitzi les seves connexions de forma autònoma i no supervisada, de tal manera que, un cop entrenada, la xarxa neuronal física mostri una organització topogràfica a la seva capa de sortida, que és característica de les regions del cervell biològic dedicades al processament de la informació sensorial. A més, el disseny del sistema permet concatenar diverses xarxes neuronals per a poder executar tasques cognitives de naturalesa més complexa, tals com l’associació de diferents atributs a un mateix concepte, permetent la computació jeràrquica. L’últim capítol està dedicat a l’estudi de dispositius OxRAM quan es considera un mode d’operació de baix consum, per a la implementació de sinapsis binàries. De nou, amb una perspectiva bottom-up, es parteix de la caracterització elèctrica i modelat dels dispositius, que en aquest cas constitueixen un xip neuromòrfic. Es verifica una regla d’aprenentatge probabilística, que després s’empra en un algorisme d’aprenentatge no supervisat dissenyat per a la inferència i predicció de seqüències periòdiques. Per acabar, es discuteixen les diferències i similituds entre els dos algorismes descrits a la tesi, i es proposa com es poden fer servir cadascun d’aquests de forma conjunta i complementària.
The present thesis compiles the results of the research oriented to provide a methodology for the electrical characterization, modeling and simulation of resistive switching devices, taking into consideration neuromorphic applications based on unsupervised learning This is widely demanded today as a low-consumption solution to the following issues: on the one hand, the speed limitations that take place in data transfer between the memory and processing units that takes place in conventional computer architectures. On the other hand, the growing need for low-power computational systems that perform tasks of classification, analysis and inference of massive amounts of data (for example, for Big Data applications), together with pattern recognition, prediction of behaviors and decision-making tasks (for applications focused on Internet-of-Things, among others). Specifically, Oxide-based Resistive Random Access Memory (OxRAM) devices are investigated as candidates for the electronic implementation of synapses in physical artificial neural networks, also referred to as neuromorphic architectures. First of all, a theoretical introduction to the different electronic technologies with resistive switching and non-volatile memory properties is provided. The figures of merit demonstrated and projected of each one of them are indicated according to the International Roadmap for Devices and Systems of 2018. With this first chapter, the intention is to provide the reader with the necessary background required to understand the results outlined in the following chapters. Next, and by using a bottom-up approach divided into the three following chapters, the procedures and results of the electrical characterization and modeling of the OxRAM devices studied for the implementation of analog electronic synapses are discussed. As a starting point, it is experimentally verified that the devices meet the requirements for the indicated application. In the following chapter, two fundamental learning rules are demonstrated experimentally in order to permit the execution of an autonomous (unsupervised) learning algorithm on a neuromorphic architecture based on the tested devices. The proven learning rules allow the devices to emulate certain processes and learning mechanisms reported in the neuroscience field, such as spike-timing dependent plasticity, or the classical conditioning phenomenon, for which Pavlov’s dog experiment is replicated as to establish the foundations of associative learning, to be implemented between two or more synaptic devices. To conclude this part related to analog electronic synapses, the hardware adaptation of an unsupervised learning algorithm is proposed. The designed algorithm provides the system with the property of self-organization, in such a way that, once trained, the physical neuronal network shows a topographical organization in its output layer, which is characteristic of the sensory processing areas of the biological brain. Furthermore, the proposed design and algorithm allow the concatenation of several neuronal networks, in order to execute cognitive tasks of a more complex nature, such as the association of different attributes to the same concept, related to hierarchical computation. The last chapter is dedicated to the study of OxRAM devices when a low-power mode is considered, for the implementation of binary synapses. Again using a bottom-up perspective, the chapter begins with the electrical characterization and modeling of the devices, which in this case constitute a neuromorphic chip. A probabilistic learning rule is demonstrated, which is then used in an unsupervised on-line learning algorithm designed for the inference and prediction of periodic temporal sequences. Finally, the differences and similarities between the two algorithms described in the thesis are discussed, and a proposal is made as to how each of these can be used in a joint and complementary way.

La correcta qualificació de risc de crèdit d'un emissor és un factor crític en l’economia actual. Aquest és un punt d’acord entre professionals i acadèmics. Actualment, des dels mitjans de comunicació s’han difós sovint notícies d'impacte provocades per agències de ràting. És per aquest motiu que treball d'anàlisi realitzat per experts financers aporta importants recursos a les empreses de consultoria d'inversió i agències qualificadores. Avui en dia, hi ha molts avenços metodològics i tècnics que permeten donar suport a la tasca que fan els professionals de la qualificació de la qualitat de crèdit dels emissors. Tanmateix encara queden molts buits per completar i àrees a desenvolupar per tal què aquesta tasca sigui tan precisa com cal. D'altra banda, els sistemes d'aprenentatge automàtic basats en funcions nucli, particularment les Support Vector Machines (SVM), han donat bons resultats en problemes de classificació quan les dades no són linealment separables o quan hi ha patrons amb soroll. A més, al usar estructures basades en funcions nucli és possible tractar qualsevol espai de dades, ampliant les possibilitats per trobar relacions entre els patrons, tasca que no resulta fàcil amb tècniques estadístiques convencionals. L’objectiu d'aquesta tesi és examinar les aportacions que s'han fet en la rèplica de ràting, i alhora, examinar diferents alternatives que permetin millorar l'acompliment de la rèplica amb SVM. Per a això, primer s'ha revisat la literatura financera amb la idea d'obtenir una visió general i panoràmica dels models usats per al mesurament del risc de crèdit. S'han revisat les aproximacions de mesurament de risc de crèdit individuals, utilitzades principalment per a la concessió de crèdits bancaris i per l'avaluació individual d'inversions en títols de renda fixa. També s'han revisat models de carteres d'actius, tant aquells proposats des del món acadèmic com els patrocinats per institucions financeres. A més, s'han revisat les aportacions dutes a terme per avaluar el risc de crèdit usant tècniques estadístiques i sistemes d'aprenentatge automàtic. S'ha fet especial èmfasi en aquest últim conjunt de mètodes d'aprenentatge i en el conjunt de metodologies usades per realitzar adequadament la rèplica de ràting. Per millorar l'acompliment de la rèplica, s'ha triat una tècnica de discretització de les variables sota la suposició que, per emetre l'opinió tècnica del ràting de les companyies, els experts financers en forma intuïtiva avaluen les característiques de les empreses en termes intervalars. En aquesta tesi, per fer la rèplica de ràting, s'ha fet servir una mostra de dades de companyies de països desenvolupats. S'han usat diferents tipus de SVM per replicar i s'ha exposat la bondat dels resultats d'aquesta rèplica, comparant-la amb altres dues tècniques estadístiques àmpliament usades en la literatura financera. S'ha concentrat l'atenció de la mesura de la bondat de l'ajust dels models en les taxes d'encert i en la forma en què es distribueixen els errors. D'acord amb els resultats obtinguts es pot sostenir que l'acompliment de les SVM és millor que el de les tècniques estadístiques usades en aquesta tesi, i després de la discretització de les dades d'entrada s'ha mostrat que no es perd informació rellevant en aquest procés. Això contribueix a la idea que els experts financers instintivament realitzen un procés similar de discretització de la informació financera per lliurar la seva opinió creditícia de les companyies qualificades.
La correcta calificación de riesgo crediticio de un emisor es un factor crítico en nuestra actual economía. Profesionales y académicos están de acuerdo en esto, y los medios de comunicación han difundido mediáticamente eventos de impacto provocados por agencias de rating. Por ello, el trabajo de análisis del deudor realizado por expertos financieros conlleva importantes recursos en las empresas de consultoría de inversión y agencias calificadoras. Hoy en día, muchos avances metodológicos y técnicos permiten el apoyo a la labor que hacen los profesionales en de calificación de la calidad crediticia de los emisores. No obstante aún quedan muchos vacíos por completar y áreas que desarrollar para que esta tarea sea todo lo precisa que necesita. Por otra parte, los sistemas de aprendizaje automático basados en funciones núcleo, particularmente las Support Vector Machines (SVM), han dado buenos resultados en problemas de clasificación cuando los datos no son linealmente separables o cuando hay patrones ruidosos. Además, al usar estructuras basadas en funciones núcleo resulta posible tratar cualquier espacio de datos, expandiendo las posibilidades para encontrar relaciones entre los patrones, tarea que no resulta fácil con técnicas estadísticas convencionales. El propósito de esta tesis es examinar los aportes que se han hecho en la réplica de rating, y a la vez, examinar diferentes alternativas que permitan mejorar el desempeño de la réplica con SVM. Para ello, primero se ha revisado la literatura financiera con la idea de obtener una visión general y panorámica de los modelos usados para la medición del riesgo crediticio. Se han revisado las aproximaciones de medición de riesgo crediticio individuales, utilizadas principalmente para la concesión de créditos bancarios y para la evaluación individual de inversiones en títulos de renta fija. También se han revisado modelos de carteras de activos, tanto aquellos propuestos desde el mundo académico como los patrocinados por instituciones financieras. Además, se han revisado los aportes llevados a cabo para evaluar el riesgo crediticio usando técnicas estadísticas y sistemas de aprendizaje automático. Se ha hecho especial énfasis en este último conjunto de métodos de aprendizaje y en el conjunto de metodologías usadas para realizar adecuadamente la réplica de rating. Para mejorar el desempeño de la réplica, se ha elegido una técnica de discretización de las variables bajo la suposición de que, para emitir la opinión técnica del rating de las compañías, los expertos financieros en forma intuitiva evalúan las características de las empresas en términos intervalares. En esta tesis, para realizar la réplica de rating, se ha usado una muestra de datos de compañías de países desarrollados. Se han usado diferentes tipos de SVM para replicar y se ha expuesto la bondad de los resultados de dicha réplica, comparándola con otras dos técnicas estadísticas ampliamente usadas en la literatura financiera. Se ha concentrado la atención de la medición de la bondad del ajuste de los modelos en las tasas de acierto y en la forma en que se distribuyen los errores. De acuerdo con los resultados obtenidos se puede sostener que el desempeño de las SVM es mejor que el de las técnicas estadísticas usadas en esta tesis; y luego de la discretización de los datos de entrada se ha mostrado que no se pierde información relevante en dicho proceso. Esto contribuye a la idea de que los expertos financieros instintivamente realizan un proceso similar de discretización de la información financiera para entregar su opinión crediticia de las compañías calificadas.
Proper credit rating of an issuer is a critical factor in our current economy. Professionals and academics agree on this, and the media have spread impact events caused by rating agencies. Therefore, the analysis performed by the debtor's financial experts has significant resources on investment consulting firms and rating agencies. Nowadays, many methodological and technical exist to support the professional qualification of the credit quality of issuers. However there are still many gaps to complete and areas to develop for this task to be as precise as needed. Moreover, machine learning systems based on core functions, particularly Support Vector Machines (SVM) have been successful in classification problems when the data are not linearly separable or when noisy patterns are used. In addition, by using structures based on kernel functions is possible to treat any data space, expanding the possibilities to find relationships between patterns, a task that is not easy with conventional statistical techniques. The purpose of this thesis is to examine the contributions made in the replica of rating, and, to look at different alternatives to improve the performance of prediction with SVM. To do this, we first reviewed the financial literature and overview the models used to measure credit risk. We reviewed the approaches of individual credit risk measurement, used principally for the lending bank and the individual assessment of investments in fixed income securities. Models based on portfolio of assets have also been revised, both those proposed from academia such as those used by financial institutions. In addition, we have reviewed the contributions carried out to assess credit risk using statistical techniques and machine learning systems. Particular emphasis has been placed on learning methods methodologies used to perform adequately replicate rating. To improve the performance of replication, a discretization technique has been chosen for the variables under the assumption that, for the opinion of the technical rating companies, financial experts intuitively evaluate the performances of companies in intervalar terms. In this thesis, for rating replication, we used a data sample of companies in developed countries. Different types of SVM have been used to replicate and discussed the goodness of the results of the replica, compared with two other statistical techniques widely used in the financial literature. Special attention has been given to measure the goodness of fit of the models in terms of rates of success and how they errors are distributed. According to the results it can be argued that the performance of SVM is better than the statistical techniques used in this thesis. In addition, it has been shown that in the process of discretization of the input data no-relevant information is lost. This contributes to the idea that financial experts instinctively made a similar process of discretization of financial information to deliver their credit opinion of the qualified companies.

SVM es un algoritmo de Aprendizaje Automático (Machine Learning) supervisado, el cual está relacionado con problemas clasificación y regresión. Además, la SVM para clasificación pertenece a la familia de los clasificadores lineales, ofreciendo una precisión muy alta en comparación con otros clasificadores como la Regresión Logística y los Árboles de Decisión. Su uso es muy variado, por ejemplo; detección de rostros, detección de intrusos, clasificación de correos electrónicos, artículos de noticias y páginas web, clasificación de textos e hipertextos, entre otros. En este sentido, se tiene un conjunto de datos, en el cual existen dos clases de datos, el algoritmo SVM predice a cuál de las dos clases pertenece un nuevo dato entrante. Básicamente es clasificar de acuerdo a un conjunto de datos de entrenamiento marcados como pertenecientes a una las dos clases.

Este manual (Parte I dos módulos de capacitação em Bases do diagnóstico microscópico da malária) ajudará os participantes durante seu treinamento em diagnóstico microscópico da malária humana. O manual foi concebido como base para um treinamento formal de quatro a cinco semanas de duração e destina-se a alunos com conhecimentos rudimentares de ciência. Ao concluir a capacitação, o aluno será responsável pelo diagnóstico de malária com lâminas de sangue de casos suspeitos na sua comunidade. Desse modo, decisões importantes referentes ao tratamento dependem da sua competência em garantir o diagnóstico de malária sem supervisão. Para ganhar a confiança do público e do sistema de saúde, a qualidade da formação desses agentes deve ser a mais alta possível e deve poder ser demonstrada. A estrutura do curso é “baseada em competências”, ou seja, apresenta informações técnicas essenciais para a aquisição de habilidades e instruções passo a passo em um formato facilmente compreensível. O treinamento é principalmente prático. Ao final do curso, os alunos devem demonstrar ter adquirido um alto nível de competência. A educação baseada em competências é uma maneira eficaz e comprovada para a aquisição das habilidades essenciais aos serviços públicos de saúde e de atenção à saúde. Além de capacitar os profissionais de saúde nos fundamentos do diagnóstico microscópico da malária, os módulos podem ser usados para a reciclagem de agentes já formados que realizam microscopia padrão da malária pelo método de Giemsa. Como esse pessoal já tem uma formação sólida e ampla experiência de trabalho, devem conseguir atingir os objetivos do curso em 11 ou 12 dias úteis. Para os laboratoristas e microscopistas de hospitais distritais ou estaduais/regionais já familiarizados com os procedimentos de laboratório, um curso mais curto pode ser benéfico, pois embora o diagnóstico microscópico da malária faça parte da rotina diária desses profissionais, os cursos de reciclagem ajudam a garantir a exatidão. Este manual está dividido em unidades de aprendizagem. As observações e instruções contidas em cada unidade são suficientes para reduzir ao mínimo possível a quantidade de anotações a serem tomadas pelos alunos, permitindo desse modo que participem plenamente das palestras e discussões. Ainda assim, há uma página em branco para anotações no final de cada unidade... Versão oficial em português da obra original em Inglês: Basic Malaria microscopy, 2nd ed (Part 1: Learner’s guide - Part 2: Tutor’s guide) © World Health Organization 2010. ISBN: 978-92-4-154782-6 (Part 1), 978-92-4-154791-8 (‎Part 2)‎.

La tecnología DInSAR provee una gran cantidad de información sobre la deformación a lo largo del tiempo del terreno ylas infraestructuras con precisión milimétrica y sin la necesidad de usar instrumentación de campo. Durante elprocesamiento DInSAR se analiza la información contenida en la fase y la amplitud de una serie de imágenes obtenidasmediante un Radar de Apertura Sintética. Estos cubrirán la misma área en distintos momentos para de este modo poderseleccionar los píxeles que poseen menor ruido en la fase permitiendo la medición de movimientos superficiales a lo largode varios kilómetros cuadrados de área y de manera más económica que mediante métodos convencionales y teniendoademás la posibilidad de obtener datos anteriores, contemporáneos o posteriores al evento estudiado. Por todo esto, elprocesamiento DInSAR posee grandes ventajas sobre tecnologías tradicionales para medir deformaciones y movimientosmilimétricos tanto del suelo como de infraestructuras. En muchos casos, el gran volumen de datos obtenido dificulta lainspección manual de estos. Lo que hace necesario el uso de metodologías apropiadas que simplifiquen la interpretaciónlos datos facilitando así también la toma de decisiones. Este articulo intenta afrontar esos problemas 1) analizando losresultados de aplicar diferentes estrategias de minería de datos 2) creando un flujo de trabajo automatizado que faciliteun análisis preliminar de los datos. Aplicando Análisis de Componentes Principales para reducir la dimensionalidad delproblema y usando algoritmos de clusterización para agrupar los puntos por características similares.

En la charla se presentaron conceptos básicos e historia de la metodología de desarrollo de software llamada Machine Learning (ML) o aprendizaje automático (AA, en español. Se explicaron los tres distintos tipos de aprendizaje que existen dentro del AA, aprendizaje supervisado, no-supervisado y por refuerzo; que se utilizan dependiendo de la tarea que se quiere lograr. Se expusieron las diversas aplicaciones que ha abordado el grupo de investigación utilizando esta metodología para preguntas de investigación de relevancia nacional. Desde ayuda en análisis de bioinformática (apoyando a la determinación espectral-molecular de especies de mosquitos), ecología (determinación y clasificación de vocalizaciones de manatíes) y aplicaciones en agricultura (para la determinación automática de variedades de plantas arroz y para la clasificación automática de sandias para exportación). La charla concluyó con una reflexión de los últimos avances de esta metodología y se presentó el reciente caso de la predicción del doblaje en proteínas con el algoritmo Alphafold 2.

En el presente trabajo se propone un marco de referencia para el aprendizaje de interacciones entre personas y robots, basado en el uso conjunto de una técnica de aprendizaje sin supervisión y de un planificador de muestreo de configuraciones. Particularmente, se hace uso de los Modelos Mixtos Gausianos (GMMs en inglés) para modelar la interacción física de un robot y de una persona cuando este robot es teleoperado por alguien experto. De este modo, distintos comportamientos tales como evitar, acercarse o seguir a una persona pueden ser fácilmente derivados e incluso combinados gracias a las propiedades de las GMM. Los modelos aprendidos se integran en un planificador basado en muestreo, un RRT*, bajo dos preceptos: primero, como una función de costes que permita ponderar el espacio de estados del robot como más afín a los comportamientos aprendidos y segundo, como sesgo del muestreo para descartar aquellas zonas menos probables según se haya concluido de las demostraciones. El algoritmo se ha probado exitosamente en el laboratorio usando un robot real y las trayectorias provistas por un experto.

El reto de la transferencia de maquillaje de una imagen a otra ya está resuelto por los modelos BeautyGAN, PairedCycleGAN y BeautyGlow. Estos modelos lograron solucio nar el reto mencionado mediante un enfoque de aprendizaje semisupervisado; lo cual resuelve el problema de obtener un dataset alineado de maquillaje, pero a costa de un alto poder de cómputo. Por este motivo, en esta investigación se creó un dataset de imágenes alineadas y adicionalmente se propuso un modelo de transferencia de maquillaje mediante un enfoque supervisado. El dataset está compuesto por 5400 grupos de imágenes, cada grupo de imágenes se encuentra conformado por una imagen sin maquillaje, una imagen con maquillaje de referen cia y otra imagen con el maquillaje de la referencia y la identidad de la persona sin maquillaje. El modelo propuesto en esta investigación es llamado SumajGAN, el modelo se encuentra conformado por un discriminador de tipo PatchGAN y un generador de dos entradas inspi radas en un autoencoder. Se realizaron varios experimentos y el mejor resultado obtenido fue de 0,021658644 de error absoluto medio y alta resolución con una correcta transferencia de maquillaje. El modelo SumajGAN ha logrado realizar el objetivo planteado disminuyendo el tiempo de entrenamiento de modelos como BeautyGAN, PairedCycleGAN y BeautyGlow.

Este artículo presenta el estado de experiencia docente llevada a cabo durante los últimos siete años por un grupo de profesores. Estos profesores enseñan simultáneamente cinco sujetos en el marco del EEES del Grado de Ingeniería de Diseño Industrial y Desarrollo de Producto de la Universidad de Zaragoza. La metodología de enseñanza aplicada incluye garantía de calidad de la enseñanza y el sistema de aprendizaje basado en la serie de indicadores que se han definido y mejorado con los años. Este documento refleja los resultados del trabajo del módulo durante el último año académico 2015-2016, durante el cual el seguimiento del trabajo en grupo se ha implementado con base en la satisfacción de los registros de las reuniones del grupo. En estas reuniones registra los estudiantes han reflejado la evolución de su trabajo y los acuerdos tomados, siendo supervisado regularmente por los profesores. Como resultado de esta acción, una mejora sustancial se ha logrado en el funcionamiento de los grupos de trabajo que, debido a sus circunstancias particulares, podrían ser problemáticos, permitiendo que el equipo docente un mayor control de los conflictos internos. Además, el sistema también sirve un segundo objetivo: fomentar el liderazgo en el grupo al premiar la calificación final individual de comportamiento proactivo y castigar comportamientos deshonestos entre pares.

Se presenta el estudio de la opinión de posibles usuarios y/o consumidores realizado sobre los atributos de diseño de un asistente abdominointestinal para ayudar a paliar el estreñimiento. El objetivo del estudio es la identificación de las características más relevantes que debe poseer un producto de dicha tipología y la detección de los grupos poblacionales más interesantes mediante el análisis y la valoración de la opinión de los posibles usuarios. El estudio llevado a cabo fue de carácter cuantitativo y consistió en una encuesta autocumplimentada realizada a 411 individuos, 225 mujeres (54.7%) y 186 varones (45.3%); seleccionados mediante muestreo aleatorio y realizados cara a cara en centros sanitarios y a través de redes sociales y mensajería electrónica. El cuestionario constó de 40 preguntas de valoración tipo Likert sobre el nivel de acuerdo o desacuerdo de los ítems propuestos y 6 preguntas de perfil. Los resultados obtenidos destacan la identificación de varios grupos poblacionales con intereses muy dispares, como son las mujeres y hombres de mediana edad, quienes valoran positivamente la funcionalidad y negativamente el consumo eléctrico y la necesidad de aprendizaje de uso, respectivamente. Por otro lado, los grupos de personas mayores de 60 años, con escaso nivel de estudios muestran una preocupación por el uso supervisado por los especialistas en centros sanitarios; y los menores de 30 años con alto nivel de estudios, quienes comparten su descontento con el uso en centros especializados, pero valoran positivamente que sea ecológico, personalizable y robusto. Se concluye que la diferenciación de estos grupos obliga a la consideración de diferentes propuestas de diseño en función de los intereses de los distintos perfiles detectados con el fin de adecuar el producto al mayor número de consumidores potenciales.