Search

ilustraciones, gráficos, tablas Este trabajo de grado tiene como finalidad explorar la utilización de series de tiempo financieras sintéticas generadas por un modelo de Redes Neuronales Generativas Adversarias (GAN por sus siglas en inglés) para entrenar un algoritmo de Aprendizaje Profundo Q Por Refuerzo que ejecute acciones de compra y venta para un título del mercado de valores del índice de Standard & Poor’s 500. Para el desarrollo del trabajo se empleó la metodología CRISP DM propuesta por IBM, entendiendo primero el negocio y la teoría necesaria para desarrollar los modelos, para continuar con la exploración y conocimiento de los datos disponibles que concordaran con los objetivos del estudio. En este se desarrolla un procedimiento para la selección de series ficticias y para el entrenamiento de un algoritmo por refuerzo con estos datos. Se utiliza la métrica de Kolmogorov - Smirnov como componente esencial para entrenar las redes GAN. Se explican los resultados de los experimentos, y se evidencia la dificultad para calibrar modelos generativos adversarios y de agentes entrenados por refuerzo. Por último, se presentan las conclusiones derivadas del trabajo y posibles investigaciones futuras. (Texto tomado de la fuente) This degree work aims to explore the use of synthetic financial time series generated by a Generative Adversarial Neural Networks (GAN) model to train a Deep Reinforcement Learning algorithm that executes buy and sell actions for a stock in the Standard & Poor's 500 index. For the implementation of the study, we used the CRISP methodology proposed by IBM, understanding first the business and the theory necessary to develop the models, to continue with the exploration and knowledge of the available data that matched the objectives of the project. In this paper, a procedure for selecting synthetic series and training a reinforcement algorithm with these data is developed. The Kolmogorov-Smirnov metric is used as an essential component to train GANs. The results of the experiments are explained, and the difficulty in calibrating generative adversarial and reinforcement network models is shown. Finally, conclusions derived from the project and possible future research are presented. Maestría Magíster en Ingeniería – Ingeniería de Sistemas Área Curricular de Ingeniería de Sistemas e Informática

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.

En los últimos años se ha utilizado la visión por ordenador para realizar inspecciones visuales en procesos industriales. Sin embargo, el procesamiento de imágenes convencional se limita a escenarios muy controlados y a tareas específicas como la lectura e identificación de códigos de barras, el calibrado y el dimensionamiento, la inspección básica de materiales y la localización y el recuento. En los procesos industriales, otras tareas de inspección visual requieren técnicas sofisticadas, por ejemplo, la detección y segmentación avanzada de defectos, la localización de características y la verificación de ensamblajes, entre otras. En la actualidad, estas tareas implementan técnicas de aprendizaje automático basadas en el aprendizaje profundo para lograr un rendimiento superior al de la inspección manual. Por lo general, se considera que el enfoque de aprendizaje profundo requiere muchos datos etiquetados para generar un modelo aceptable, lo que a menudo obstaculiza la adopción generalizada del aprendizaje profundo en las industrias que están limitadas a la disponibilidad de datos etiquetados. Por otra parte, como es natural en la inspección visual, los defectos están presentes con menos frecuencia que las piezas regulares, creando así un desbalance de clases que podría complicar el entrenamiento de un modelo robusto de aprendizaje profundo. Por otro lado, otras técnicas de aprendizaje de máquina aplicadas a la inspección visual requieren experiencia en ingeniería de características para crear un modelo y, a menudo, los resultados se limitan a características muy específicas que no pueden extrapolarse a un entorno, material o rasgo diferente a identificar. El objetivo de este proyecto es desplegar un algoritmo de aprendizaje profundo para la inspección visual que trate el desbalance de clases y la disponibilidad de datos en un caso de estudio (inspección de la superficie de láminas de acero), presentando diferentes enfoques utilizados para lograr el modelo final. In recent years computer vision have been used to perform visual inspection in industrial processes. However, conventional image processing is limited to high-controlled scenarios and specific tasks such bar-code reading and identification, gauging and measurement, basic material inspection and, location and counting. In industrial processes other visual inspection tasks require well-developed techniques, for instance, advanced defect detection and segmentation, feature location, and assembly verification, amongst others. Nowadays, these tasks implement machine learning techniques based on deep learning to achieve outstanding performance over manual inspection. Usually, it is believed that the deep learning approach requires many labeled data to generate an acceptable model, this often hinders the widespread adoption of deep learning in industries which are limited to the availability of labeled data. Additionally, as it is natural in visual inspection, defects are present less frequent than regular pieces, thus creating a class imbalance that could complicate the training of a robust deep learning model. On the other hand, other machine learning techniques applied to visual inspection require expertise in feature engineering to create a model and often the results are limited to very specific characteristics that cannot be extrapolated to a different environment, material or characteristic to be identified. The purpose of this project is to deploy a deep learning algorithm for visual inspection that deals with class imbalance and data availability in a case of study (steel sheet surface inspection), presenting different approaches used to achieve the final model. Magíster en Ingeniería Industrial Maestría https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001725985

Trabajo de investigación tecnológica Se realizó un experimento de un método sustentado en aprendizaje profundo en el cual implementó distintos algoritmos computacionales para la identificación de cinco palabras del lenguaje de señas colombiano emuladas en videos de manera automática, con el fin de proponer un punto de partida para la disminución de la brecha de comunicación existente entre las personas con discapacidad auditiva y la sociedad colombiana. Pregrado Ingeniero de Sistemas RESUMEN INTRODUCCIÓN 1. GENERALIDADES 2. MARCO DE REFERENCIA 3. METODOLOGÍA 4. DISEÑO METODOLÓGICO 5. RESULTADOS 6. DISCUSIÓN DE RESULTADOS 7. CONCLUSIONES 8. RECOMENDACIONES 9. Bibliografía 10. ANEXOS

Human activity recognition (HAR) is at the forefront of Pervasive Computing efforts, and deep learning techniques currently empower the most successful endeavors within the field. By using a publicly available dataset an exploratory analysis of feature learning is put forward in this work. The convolutional neural network deployed here highlights both the advantages and limitations of this class of models, while offering an overview of machine learning-aided human behavior analysis. Furthermore, the exploration includes an experimental comparison with a more traditional SVM model with feature engineering, over the same data. Resumen: El reconocimiento de la Actividad Humana (HAR) está a la vanguardia de los esfuerzos de computación, y las técnicas de aprendizaje profundo actualmente empoderan los esfuerzos más exitosos dentro del campo. Al utilizar un conjunto de datos disponible públicamente. En este trabajo se presenta un análisis exploratorio del aprendizaje de características de la red neuronal convolucional y se destaca tanto las ventajas como las limitaciones de esta clase de modelos, al tiempo que ofrece una visión general de aprendizaje asistido por máquina y análisis del comportamiento humano. Además, la exploración incluye una comparación experimental. con un modelo SVM más tradicional con ingeniería sobre los mismos datos. Maestría

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

In this thesis work, the problem of applying active learning for a label efficient training of deep learning models is addressed. Firstly, in chapter one, the problem is introduced as well as the objectives and results of this thesis work. In chapter 2, a state of the art of active learning and deep learning models is presented with a particular emphasis on medical scenarios. In chapter three in active learning approach based on the expected gradient length is introduced for deep convolutional neural networks for applying in medical problems where data is scarce and train deep models could be unfeasible due to the lack of annotated samples. In chapter four an implemented framework for interactively training of deep learning models based on the previous discused algorithms is presented, where the active learning techniques improve the random selection strategy to classify between healthy eyes patches and patches that contain an early stage of diabetic retinopathy. Finally, in the last chapter, the conclusions of this thesis work are discussed as well as some promising lines of work for further research. En ésta tesis, se estudia el problema del entrenamiento eficiente de modelos de aprendizaje automático basados en redes neuronales profundas para el caso en el que se cuenta con pocos ejemplos anotados para su entrenamiento. Para esto se presentara una estrategia de aprendizaje activo la cual hace mas eficiente el aprendizaje de una representación profunda utilizando los ejemplos que mas cambios aportan al modelo. En el primer capítulo, se introduce el problema así como los objetivos y resultados de este trabajo de tesis. Una revisión de los trabajos recientes en el área de aprendizaje activo y modelos de aprendizaje profundo, con énfasis en escenarios médicos se presenta en el capítulo 2. En el capítulo 3, se presenta el enfoque propuesto de aprendizaje activo para modelos de aprendizaje profundos basado en la longitud esperada del gradiente, el cual resulta útil para la solución de problemas de imágenes médicas donde no se cuenta con la suficiente cantidad de ejemplos anotados. En el capítulo 4, un marco experimental es implementado para el entrenamiento de modelos basados en redes neuronales profundas, se muestra la aplicación de esta estrategía para clasificar parches de imágenes de fondo de ojo con pacientes sanos y en una etapa temprana de retinopatía diabética. Se muestra que el algoritmo propuesto mejora el desempeño del modelo comparandolo con la estrategía clásica de selección aleatoria de ejemplos. Finalmente en el último capítulo se discuten las concluciones de este trabajo y también se esbozan algunas lineas de trabajo prometedoras para el futuro. Maestría