Search

espanolHarmonics espera apoyar a la pedagogia musical, ofreciendo un producto concreto con el cual los interesados en aprender a tocar un instrumento puedan practicar. Se entreno un modelo para identificar y aislar las pistas singulares de una cancion, por medio de TensorFlow y herramientas para realizar la separacion de fuentes auditivas y producir partituras genuinas, basadas en un algoritmo de transcripcion musical (para pianos, bajos, bateria y voz, especificamente), que los principiantes puedan visualizar, editar y descargar (en formatos .PDF y .MIDI), ajustandose a su ritmo de practica. Se consideraron tres metodos de separacion de fuentes, bajo las siguientes restricciones: emplear una unica cancion como archivo de entrada, que esta fuera moderadamente compleja (compuesta por un conjunto de entre tres y seis instrumentos) y que la cantidad de muestras –canciones compuestas por instrumentos relevantes y pistas de cada instrumento por separado– aptas para el entrenamiento del modelo, sean sumamente escasas. EnglishHarmonics hopes to support musical pedagogy, offering a concrete product with which those interested in learning to play an instrument can practice. We trained a model to identify and isolate the singular tracks of a song through TensorFlow and tools to make the separation of auditory sources and produce genuine sheet music, based on a musical transcription algorithm (specifically for pianos, basses, drums, and voice) that beginners can visualize, edit, and download (in .PDF and .MIDI formats), adjusting at their own pace. Three methods of source separation were considered, under the following restrictions: Use a single song as an input file, which it was moderately complex (composed of a set of between three and six instruments), and that the number of samples -songs composed by relevant instruments and tracks of each standalone instrument - suitable for model training, would be extremely scarce.

Resumen Este documento presenta la implementación de un software de reconocimiento de lenguaje de señas colombiano para personas sordas. Para este propósito, el Aprendizaje de Máquina será usado como base del sistema específico. Hoy en día no existe un repositorio público de imágenes o video que contenga estas señas ni la información necesaria para alcanzar esta meta, siendo uno de los principales impedimentos para iniciar la tarea. Por esta razón, se comenzó con la construcción de un repositorio. Pese a las dificultades de tiempo de los participantes, cinco personas realizaron las señas ante una cámara de video, de donde se obtuvieron las imágenes que compondrían el repositorio. Una vez hecho esto, las imágenes se usaron como datos de entrenamiento de un modelo computacional óptimo que puede predecir el significado de una nueva imagen presentada. Evaluamos el rendimiento del método utilizando medidas de clasificación y comparando diferentes modelos. La medición conocida como Accuracy fue un factor importante para medir los diferentes modelos obtenidos y así elegir el más adecuado. Los resultados muestran que es posible proporcionar nuevas herramientas a las personas sordas para mejorar la comunicación con otras personas que no conocen el lenguaje de señas. Una vez que se han elegido los mejores modelos, se prueban con nuevas imágenes, similares a las del entrenamiento, donde se puede ver que el mejor modelo logra una tasa de éxito de alrededor del 68 % de las 22 clases utilizadas en el sistema. Abstract This document presents the implementation of a Colombian sign language recognition software for deaf people. For this purpose, Machine Learning will be used as the basis of the specific system. Today there is no public repository of images or video that contains these signs or the information necessary to achieve this goal, being one of the main obstacles to undertake the task. For this reason, the construction of a repository was started. Despite the time constraints of the participants, five people carried out the signs in front of a video camera, from which the images that would make up the repository were obtained. Once this was done, the images were used as training data for an optimal computer model that can predict the meaning of a new image presented. We evaluated the performance of the method using classification measures and comparing different models. The measurement known as Accuracy was an important factor in measuring the different models obtained and thus choosing the one most suitable. Results show that it is possible to provide new tools to deaf people to improve communication with others who do not know sign language. Once the best models have been chosen, they are tested with new images, similar to those in the training, where it can be seen that the best model achieves a success rate of around 68 % of the 22 classes used in the system.

This paper explores the toxicity of the League of Legends community in the social network Twitter. In the state of the art, it is observed how the authors of different studies implement information preprocessing techniques that include: eliminating duplicate instances, usernames and hyperlinks. However, the classification models proposed by the authors do not contextualize the study scenario. That is, they are not able to identify key elements of the context for accurate sentiment classification. The main objective focuses on the implementation of a data collection and cleaning model to feed two sentiment classifiers. The first one is a predesigned model introduced in 2014 while the second one is manually built using the SVM supervised classification algorithm. To achieve this, several tasks constituted in three main phases are executed: Acquisition, Storage and Analysis of data using free to use tools such as the Twitter API and the Python programming language. Finally, it was possible to implement and compare the classification models and the results obtained showed that the predesigned model did not reveal a clear difference in text polarity between the categories. On the other hand, the manually constructed model was able to achieve an accuracy of 65.08%. In conclusion, it was determined that the predesigned classifier does not have the capabilities to discern video game content. However, the new model was able to distinguish the key elements after providing new classification rules and was able to identify the traits of toxic behavior in the community. En el presente trabajo se realiza una exploración acerca la toxicidad de la comunidad de League of Legends en la red social Twitter. En el estado del arte se observa cómo los autores de distintos estudios implementan técnicas de preprocesamiento de información que incluyen: eliminar instancias duplicadas, nombres de usuarios e hipervínculos. No obstante, los modelos de clasificación que los autores proponen no contextualizan el escenario de estudio. Es decir, no son capaces de identificar elementos clave del contexto para una clasificación precisa del sentimiento. El principal objetivo se centra en la implementación de un modelo de recolección y limpieza de datos con el fin de alimentar dos clasificadores del sentimiento. El primero es un modelo prediseñado e introducido en el 2014 mientras que el segundo es construido manualmente mediante el algoritmo de clasificación supervisada SVM. Para lograrlo, se ejecutan diversas tareas constituidas en tres fases principales: Adquisición, Almacenamiento y Análisis de datos utilizando herramientas de uso libre como el API de Twitter y el lenguaje de programación Python. Finalmente, se logró implementar y comparar los modelos de clasificación y los resultados obtenidos mostraron que el modelo prediseñado no revelaba una clara diferencia de polaridad del texto entre las categorías. Por otra parte, el modelo construido manualmente consiguió alcanzar una precisión del 65.08%. En conclusión, se determinó que el clasificador prediseñado no tiene las capacidades de discernir contenido del videojuego. No obstante, el nuevo modelo fue capaz de distinguir los elementos clave tras proporcionar nuevas reglas de clasificación y permitió identificar los rasgos de un comportamiento tóxico en la comunidad.

Este artículo presenta el diseño y simulación de un controlador basado en redes neuronales para regular la tensión de salida de un convertidor flyback. Se usan redes neuronales, ya que estas no requieren de un modelo matemático del convertidor, y, por tanto, se obtiene un mayor rango de operación respecto a métodos de control tradicional. En el entrenamiento se realizan cambios en la base de datos y en la arquitectura para obtener el controlador más apropiado, que garantice la regulación de línea y carga del convertidor. La validación del controlador neuronal funcional se realiza en Simulink con el modelo circuital de un convertidor flyback, sometiéndolo a cambios en la tensión de entrada y en la carga resistiva. Los resultados obtenidos muestran la efectividad del control neuronal para la regulación de línea entre 20 V y 50 V, regulación de carga entre 8 Ω y 12 Ω, y cuya arquitectura está conformada por cuatro neuronas.

el presente artículo expone el diseño de una arquitectura de red para reconocimiento de patrones orientada a la clasificación automática de dos tipos de peces: mojarra y tilapia. Se emplea una arquitectura basada en aprendizaje profundo mediante una red neuronal convolucional (RNC) para la cual se determina la base de datos a emplear y los diferentes hiperparámetros que la componen. Se logra obtener, mediante análisis por matriz de confusión, un desempeño del 100% de la red bajo las condiciones controladas el sistema de clasificación, es decir: color de banda transportadora uniforme y uso de luz día.

Forest inventory is an important tool for estimating the production of forest stands and normally employs traditional methods for volume estimation. However, as a result of technological advancements, artificial neural networks and remote sensing have assumed a prominent role in the forestry sector since satellite images have different components that correlate with the dendrometric variables and can be used as auxiliary variables. The objective of this work was to evaluate the performance of artificial neural networks regarding the estimation of volume in a Eucalyptus sp. plantation with the use of satellite images. Pre-cut inventory data were used with ages varying between 5.3 and 6.3 years. The variables used were volume, age, 4 bands of the satellite image with a 10 m spatial resolution from Sentinell-2 satellite, ratio between the bands, NDVI, and genetic material. All processing was performed using the free software R. The evaluation criteria for the neural network were percentage of residual standard error and graphical analysis of the residues. The best neural network configuration for volume estimation presented a residual standard error of 10.63% and 12.00% for training and validation, respectively. The methodology proposed in this work proved to be efficient in estimating the volume of the stand. El inventario forestal es una herramienta importante para estimar la producción de la masa de una plantación forestal, que normalmente, es determinada empleando métodos tradicionales. Sin embargo, como resultado de los avances tecnológicos, las redes neurales artificiales y la teledetección han asumido un papel destacado en el sector forestal, ya que las imágenes de satélite tienen diferentes componentes que se correlacionan con las variables dendrométricas y pueden ser utilizadas como variables auxiliares. El objetivo de este trabajo fue evaluar el rendimiento de las redes neuronales artificiales en la estimación del volumen en una plantación de Eucalyptus sp. con el uso de imágenes de satélite. Se utilizaron datos inventariados de precorte, con edades que varían entre 5,3 y 6,3 años. Las variables utilizadas fueron volumen, edad, 4 bandas de imagen digital registrada por el satélite Sentinell-2 con resolución espacial de 10 m, relación entre las bandas, NDVI y material genético. Todo el procesamiento fue realizado con el software R de libre acceso. Los criterios de evaluación de las redes neuronales fueron el porcentaje de error estándar residual y el análisis gráfico de los residuos. La mejor configuración de red neuronal resultante para la estimación del volumen presentó un error estándar residual del 10,63% y del 12,00% para el entrenamiento y la validación, respectivamente. La metodología propuesta en este trabajo demostró ser eficiente en la estimación del volumen de la plantación. O Inventário Florestal é uma ferramenta importante para estimar a produção de povoamentos e, normalmente, emprega métodos tradicionais para a estimativa de volume. Entretanto, como resultado dos avanços tecnológicos, as redes neurais artificiais e o sensoriamento remoto surgem cada vez mais no setor florestal, visto que as imagens de satélite têm diferentes componentes que correlacionam-se com variáveis dendrométricas e podem ser usadas como variáveis auxiliares. O objetivo deste trabalho foi avaliar a performance de redes neurais artificiais em estimar o volume de um povoamento de Eucalyptus sp. com o uso de imagens de satélite. Dados de inventário pré-corte foram utilizados, com idades variando entre 5,3 e 6,3 anos. As variáveis usadas foram: volume, idade, 4 bandas da imagem de satélite com resolução espacial de 10 m proveniente do satélite Sentinell-2, razão entre as bandas, NDVI e material genético. Todo o processamento dos dados foi realizado utilizando o software livre R. Os critérios de avaliação da rede neural foram o erro padrão residual em porcentagem e as análises gráficas dos resíduos. A melhor configuração de rede neural para estimativa de volume apresentou erro padrão residual de 10,63% e 12,00% para treinamento e validação, respectivamente. A metodologia proposta neste trabalho provou-se eficiente em estimar o volume do povoamento.

The main objective of the work was designed and construct a facial recognition system that supports organizations in the purpose of collecting information related with entrances and exits of employees to its offices or workplaces. In addition, through feelings recognition, organizations can be given valuable assistance in collection of information on the work climate to carry statistics that allow the implementation of improvement actions. For the implementation of this system, Scrum methodology was used, which allows rapid progress thanks to its agile software development practices, ensuring its quality and reliability. In conclusion, it was determined that the development of machine learning systems already has a sufficient level of maturity to which we can involve them in real cases and thereby enrich the systems giving support to our organizations. El objetivo principal del trabajo es poder diseñar y construir un sistema de reconocimiento facial que apoye a las organizaciones en poder recolectar la información del registro de entradas y salidas de los empleados a sus oficinas o plantas de trabajo. Además por medio del reconocimiento de sentimientos se podrá dar una valiosa asistencia las organizaciones en la recolección de información sobre el clima laboral para llevar estadísticas que permitan implementar acciones de mejora. Para la realización de este sistema se implementó la metodología scrum la cual permite avanzar de manera rápida gracias a sus prácticas ágiles de desarrollo de software asegurando la calidad y fiabilidad del mismo. Como conclusión se determinó que el desarrollo de los sistemas de aprendizaje de máquina ya tienen un nivel suficiente de madurez con el cual podremos involucrarlos en casos reales y con ello enriquecer los sistemas dando apoyo a nuestras organizaciones.

As computer networks have transformed in essential tools, their security has become a crucial problem for computer systems. Detecting unusual values from large volumes of information produced by network traffic has acquired huge interest in the network security area. Anomaly detection is a starting point to prevent attacks, therefore it is important for all computer systems in a network have a system of detecting anomalous events in a time near their occurrence. Detecting these events can lead network administrators to identify system failures, take preventive actions and avoid a massive damage. This work presents, first, how identify network traffic anomalies through applying parallel computing techniques and Graphical Processing Units in two algorithms, one of them a supervised classification algorithm and the other based in network traffic image processing. Finally, it is proposed as a challenge to resolve the anomalies detection using an unsupervised algorithm as Deep Learning., Dado que las redes de computadoras se han transformado en una herramienta esencial, su seguridad se ha convertido en un problema crucial para los sistemas de computación. Detectar valores inusuales en grandes volúmenes de información producidos por el tráfico de red ha adquirido un enorme interés en el área de seguridad de redes. La detección de anomalías es el punto de partida para prevenir ataques, por lo tanto es importante para todos los sistemas de computación pertenecientes a una red tener un sistema de detección de eventos anómalos en un tiempo cercano a su ocurrencia. Detectar estos eventos permitiría a los administradores de red identificar fallas en el sistema, tomar acciones preventivas y evitar daños masivos. Este trabajo presenta, primero, cómo identificar anomalías de tráfico en la red aplicando técnicas de computación paralela y Unidades de Procesamiento Gráfico en dos algoritmos, un algoritmo de clasificación supervisada y otro basado en procesamiento de imágenes de tráfico de red. Finalmente, se propone como desafío resolver la detección de anomalías usando un algoritmo no supervisado como Aprendizaje Profundo., Facultad de Informática

Este trabajo presenta el desarrollo de un modelo de clasificación de arritmias cardiacas, basado en la duración de las ondas de registros electrocardiográficos, utilizando técnicas de clasificación supervisada. Los clasificadores desarrollados se basaron en técnicas de aprendizaje de máquina, Se implementaron metaclasificadores para los diferentes clasificadores. El desempeño de los diferentes clasificadores se probó aplicando criterios objetivos de comparación, y se obtuvieron resultados prometedores. Para presentar los resultados al usuario final, se diseñó una interfaz para ser usada por el especialista como ayuda a la clasificación de arritmias.

[ES]La clasificación de documentos consume gran cantidad de trabajo y puede llegar a ser impracticable si la cantidad de documentos es elevada. Cuando los documentos son digitales, es posible aplicar técnicas de clasificación automática. Los sistemas de clasificación automática de tipo supervisado son capaces de identificar la clase o categoría adecuada para un documento determinado, después de una fase de aprendizaje o entrenamiento, durante la cual el sistema aprende las características que definen las diferentes categorías. Se describen algunas de las técnicas más utilizadas, como los clasificadores bayesianos, así como los diferentes ajustes que pueden ser efectuados para mejorar su efectividad. Se describe una aplicación de tales técnicas en un caso real, se analizan los detalles de la implementación y se discuten los resultados., [EN]Classification of documents consumes a great amount of work and may become impractical if the number of documents is high. When documents are in digital format, one can apply automatic techniques of classification. The so called supervised automatic classification systems are able to identify the category or class to which a document must be assigned. This is achieved by means a training process, in which the system learns the key features of every class. We describe some of most used techniques, as the Bayes based classifiers, as well as the issues that we can adjust to improve their effectivity. We also describe their practical use in a real case, we analyze their implementation and results are discussed

Resumen Son muchos los estudios propuestos sobre la identificación de instrumentos musicales, pero ninguno ha estado enfocado en instrumentos de cuerda pulsada de la región andina colombiana como lo son: tiple, tiple requinto, guitarra y bandola. Por ello, se propone la identificación de estos utilizando técnicas de aprendizaje de máquina tales como Análisis discriminante, Árbol de Decisión, kNN, SVM, ANNs y utilizando tres métodos de reducción de datos: Feature Selection; PCA con 1, 100 y 1000 componentes principales; y extrayendo las cinco primeras frecuencias parciales junto a sus amplitudes normalizadas. Esta investigación se realizó usando una base de datos de 1000 grabaciones de audio monofónicas, construida a partir del registro de las notas de la primera posición de cada instrumento en formato WAV. Se utilizó como Método de Validación Cruzada con un k igual a cinco para realizar las Matrices de Confusión y Curvas ROC. La mejor Exactitud se alcanzó con ANNs que tuvo un porcentaje de 99,8% en la identificación, además las curvas ROC mostraron un área bajo la curva muy cercana a uno para la guitarra. Abstract There are many studies on the identification of musical instruments, but none has focused on plucked string instrument of the Colombian Andean region such as the tiple, tiple requinto, guitar and bandola. Therefore, we propose to identify these instruments using machine-learning techniques such as: Discriminant Analysis, Decision Tree, k-Nearest Neighbors (kNN), Support Vector machines (SVM), Artificial Neural Network (ANNs) and three methods of data reduction: Feature Selection; Principal Components Analysis (PCA) with 10,100 and 1000 principal components, and extracting the first five partial frequencies along with their normalized amplitudes. We carried out this study using a database of 1000 digital monophonic audio recordings, built of the recordings of the first position of the notes played in solo for each string instrument in WAV format. Regarding the validity method, the Cross Validation Method was used with a k equal to five to perform the confusion matrices and the ROC Curves (Receiver Operating Characteristic). We reached the best results with ANNs that had an accuracy of 99.8%, besides the ROC curves showed an area under the curve very close to one for the guitar. Resumo Existem muitos estudos propostos sob a identificação dos instrumentos musicais, mas nemhum tem sido focado em instrumentos de cordas pulsadas da região andina colombiana, como o tiple, tiple requinto, violão e bandola. Portanto, estes instrumentos podem ser identificados usando técnicas de aprendizado de máquina, tais como Discriminant Analysis, Decision Tree, kNN, SVM, ANNs. Por meio do uso de três métodos de redução de dados a seguir: Seleção de Recursos; PCA com 1, 100 e 1000 componentes principais; e extraindo as cinco primeiras frequências parciais, juntamente com suas amplitudes normalizadas. Para esta pesquisa foi utilizado um banco de dados de 1000 gravações de áudio monofônicas, a base de dados foi construida a partir da gravação das notas musicais da primeira posição de cada instrumento, no formato WAV. No método de validação utiliza-se o método de validação cruzada onde foi usada uma constante de trabalho k igual a cinco, para executar as matrizes de confusão e Curvas ROC do método. A melhor precisão foi alcançada com as RNAs que possuíam 99,8% de porcentagem de identificação, além das curvas ROC mostrarem uma área sob a curva muito próxima de uma para o violão.