Search

El Tae Kwon Do es un arte marcial coreano reconocido como deporte olímpico, para el cual se han desarrollado diferentes herramientas desde la ingeniería, principalmente enfocadas en mejorar la capacidad de los competidores. Sin embargo, existe una brecha en el proceso de selección de atletas de alto rendimiento. Por ello, está investigación se enfocó en desarrollar un sistema basado en la información de la clasificación de los deportistas de la Federación Ecuatoriana de Tae Kwon Do, utilizando los métodos wrapper y embedded y los algoritmos Decision Tree y Support Vector Machine para la valoración de los diferentes factores considerados en dicha clasificación. La principal contribución de este trabajo es proporcionar un sistema de apoyo objetivo para la selección de dichos atletas. Tae Kwon Do is a Korean martial art included as an Olympic sport, where several tools have been deve - loped from the engineering point of view,mainly focused on improving the capacity of the athletes. Nevertheless, there is a breach in the selection process of high performance athletes. For this reason, this research was focused on developing a system based on the information of the classification for the athletes in the Tae Kwon Do Ecuadorian Federation by using the wrapper and embedded modes and the Decision Tree and Support Vector Machines machine learning algo - rithms. These algorithms and modes were used to assess the different factors considered in this classification. The main contribution of this work is to provide a support system for the selection of these athletes.

Resumen Este artículo presenta una nueva metodología basada en técnicas de aprendizaje de máquina en diagnósticos de evaluaciones psicosociales para la identificación del grado de riesgo en docentes de colegios públicos en Colombia. Se realizó un estudio comparativo de tres importantes modelos de aprendizaje de máquina para la predicción: redes neuronales artificiales, arboles de decisión y Naïve Bayes, reduciendo la dimensionalidad de los datos. Esto se hace aplicando algoritmos genéticos, algoritmo de la cantidad esperada de la información, algoritmo GainRatioAttributeEval, coeficiente de relación de Pearson y análisis principal de componentes. Se utilizó una base de datos con 5340 registros epidemiológicos, correspondientes a evaluaciones psicosociales de docentes de colegios públicos de una ciudad colombiana. El mejor desempeño de predicción se obtuvo con el modelo de redes neuronales artificiales con una efectividad del 93%. Abstract This paper presents a new methodology based on machine learning techniques in diagnostics of psychosocial assessments to identify the risk level in teachers of public schools in Colombia. A comparative study of three important models of machine learning for prediction was done: artificial neural networks, decision trees and naive bayes, reducing the dimensionality of the data. This was done by applying genetic algorithms, algorithm of the expected amount of information, the algorithm GainRatioAttributeEval, Pearson's relation coefficient and principal components analysis. A database was used with 5340 epidemiological records, corresponding to psychosocial evaluations of teachers from public schools in the metropolitan area of a Colombian city. The best predictive performance was obtained with the model of artificial neural networks with an accuracy 93%.

espanolEste articulo presenta una nueva metodologia basada en tecnicas de aprendizaje de maquina en diagnosticos de evaluaciones psicosociales para la identificacion del grado de riesgo en docentes de colegios publicos en Colombia. Se realizo un estudio comparativo de tres importantes modelos de aprendizaje de maquina para la prediccion: redes neuronales artificiales, arboles de decision y Naive Bayes, reduciendo la dimensionalidad de los datos. Esto se hace aplicando algoritmos geneticos, algoritmo de la cantidad esperada de la informacion, algoritmo GainRatioAttributeEval, coeficiente de relacion de Pearson y analisis principal de componentes. Se utilizo una base de datos con 5340 registros epidemiologicos, correspondientes a evaluaciones psicosociales de docentes de colegios publicos de una ciudad colombiana. El mejor desempeno de prediccion se obtuvo con el modelo de redes neuronales artificiales con una efectividad del 93%. EnglishThis paper presents a new methodology based on machine learning techniques in diagnostics of psychosocial assessments to identify the risk level in teachers of public schools in Colombia. A comparative study of three important models of machine learning for prediction was done: artificial neural networks, decision trees and naive bayes, reducing the dimensionality of the data. This was done by applying genetic algorithms, algorithm of the expected amount of information, the algorithm GainRatioAttributeEval, Pearson's relation coefficient and principal components analysis. A database was used with 5340 epidemiological records, corresponding to psychosocial evaluations of teachers from public schools in the metropolitan area of a Colombian city. The best predictive performance was obtained with the model of artificial neural networks with an accuracy 93%.

El Análisis de Sentimientos es una técnica muy popular para el estudio de redes sociales. Una de las redes sociales más populares para microblogging, con gran crecimiento, es Twitter, ya que permite a las personas expresar sus opiniones utilizando oraciones cortas y simples. Estos textos se generan a diario y por esta razón, es común que las personas quieran saber cuáles son los temas de actualidad y sus derivaciones. En este trabajo, proponemos implementar una aplicación móvil que brinde información a las personas, como un grado de polaridad positiva o negativa, sobre cualquier tema relevante en la sociedad, ayudando de esta manera a que las personas puedan tomar la mejor decisión. En el aplicativo se utilizarán varias técnicas de clasificación de texto de manera conjunta. Estas técnicas están enfocadas en el aprendizaje de máquina y de léxico.

The main goal of this thesis is to investigate effective and efficient methods to combine complementary evidence, and model the relationships between multiple modalities of multimedia data in order to improve the access and analysis of the information, to finally obtain valuable insights about the data. In this thesis is proposed to use multimodal latent semantic as the strategy that allows us to combine and to exploit the different views from this heterogeneous source of knowledge, by modeling relations between the different modalities and finding a new common low-dimensional semantic representation space. For a richer modeling, it is proposed the usage of kernel-based methods that usually present accurate and robust results. Unfortunately, kernel-based methods present a high computational complexity that makes them infeasible for large data collections. This drawback implies one of the most important challenges addressed in this thesis, which was to investigate alternatives to handle large-scale datasets with modest computational architectures. In this thesis, several kernelized semantic embedding methods based on matrix factorization have been proposed, developed and evaluated. Thanks to the non-linear capabilities of the kernel representations, the proposed methods can model the complex relationships between the different modalities, allowing to construct a richer multimodal representation even when one of the modalities presents incomplete data. Besides, the proposed methods have been designed under a scalable architecture based on two main strategies: online learning and learning-in-a-budget that allow preserving low computational requirements in terms of memory usage and processing time. An extended experimental evaluation shows that the proposed multimodal strategies achieve the state-of-the-art in several data analysis tasks, such as multi-labeling and multi-class classification and cross-modal retrieval and under different learning setups, such as supervised, semi-supervised, and transductive learning. Furthermore, thanks to the online learning and learning-in-a-budget strategies proposed in this thesis, the scalability capabilities are preserved allowing to deal with large-scale multimodal collections. Resumen: El objetivo principal de esta tesis es investigar m´etodos eficaces y eficientes para combinar evidencia complementaria de múltiples modalidades de información multimedia y modelar las relaciones entre éstas, con el fin de mejorar el acceso y el análisis de los datos contenidos. En esta tesis se pretende utilizar la estrategia de semántica latente multimodal, la cual permite combinar y explotar las diferentes vistas de esta fuente de información heterogénea, modelando las relaciones entre las diferentes modalidades y encontrando un nuevo espacio com´un de representación semántica de baja dimensionalidad. Para un modelado más rico, se propone el uso de métodos basados en kernel los cuales usualmente presentan resultados precisos y robustos. Desafortunadamente, los métodos basados en kernel presentan una alta complejidad computacional que los hace inviables para grandes colecciones de datos. Este inconveniente implica uno de los desafíos más importantes abordados en esta tesis, que fue investigar alternativas para manejar conjuntos de datos de gran escala con modestas arquitecturas computacionales. En esta tesis, han sido propuestos, desarrollados y evaluados varios métodos kernelizados de semántica latente basados en factorización de matrices, donde, gracias a las capacidades no lineales de las representaciones basadas en kernels, los métodos propuestos pueden modelar las relaciones complejas entre las diferentes modalidades, lo que permite construir una representación multimodal enriquecida, incluso cuando una de las modalidades presenta datos incompletos. Además, los métodos propuestos han sido diseñaados bajo una arquitectura escalable basada en dos estrategias principales: el aprendizaje en línea y el aprendizaje bajo presupuesto que permiten preservar bajos requerimientos computacionales en términos de uso de memoria y tiempo de procesamiento. Una extensiva evaluación experimental muestra que las estrategias multimodales propuestas logran el estado del arte en varias tareas de análisis de datos, tales como la anotación multi-etiqueta y la clasificación multi-clase, así como la búsqueda y recuperación intermodal, y bajo diferentes configuraciones de aprendizaje, tales como aprendizaje supervisado, semisupervisado y transductivo. Además, gracias a las estrategias de aprendizaje en línea y de aprendizaje bajo presupuesto propuestas en esta tesis, se preservan las capacidades de escalabilidad, lo que permite tratar con colecciones multimodales de gran escala. Doctorado

Este proyecto tuvo como fin desarrollar un modelo de procesamiento de lenguaje natural en el idioma español aplicado al dominio biomédico, con el fin de solucionar una necesidad desde del área de la medicina. Específicamente, en la atención de pacientes con artritis reumatoide, en donde se necesita extraer información de las historias clínicas. Fue necesario disponer de un corpus, o colección de documentos, tanto para el idioma español como para el dominio biomédico, porque se planteó el uso de un modelo basado en aprendizaje automático o de máquina usando un alto volumen de ejemplos, en este caso, un corpus anotado con etiquetas para la identificación de términos médicos. Abstract: In this project a natural language processing model in Spanish applied to the biomedical domainwas developed, in order to fill a gap in the area of Medicine. Specifically, it was conceived as anaid for the care of patients with rheumatoid arthritis, where it is necessary to extract informationfrom the medical records. It was necessary to have a corpus, or collections of documents, in boththe Spanish language and the biomedical domain, since the use of a machine learning model withtraining using a high volume of examples was proposed, In this case, a corpus annotated withlabels for the identification of medical terms was used for training.A learning model was developed, based on recurrent neuronal networks using as training datasetan annotated corpus with UMLS semantic types. The model was trained to recognize (predict)medical entities. Once the model was trained, a software prototype was built under the Service-Oriented Architecture (SOA), in order to define and implement a web service to invoke the predic-tive model. A software client was developed, which in this case corresponds to a Web application,in Java, where the user can interact with the system to make annotations on unstructured text Maestría

Não recebi financiamento The professional soccer is always changing and is constantly searching tools and data to help the decision-making, providing tatics and techniques to the team. In Brazil, this sport goes to same way and the investiments are considerables. The One Sports is a company that capture GPS data from professional soccer players of some brazilian teams. This set of data has a lot of features and the One Sports asked if was possible to predict the ideal position of a player. Then, was firmed a cooperation between a academic study and a comercial company. This work find to understand a propose methods and techniques to predict the ideal position of soccer player, using machine learning algorithms. The database has more of one million of tuples. It was submited to pre-processing step, what is fundamental, because generated new features, removed incomplete and noisy data, generated new balaced dataset and delete outliers, preparing the data to execution of the algorithms k-NN, decision trees, logistic regression, SVM and neural networks. With the purpose to understand the performance and accuracy, some scenarios was tested. There was poor results when executed multi-class problems. The best results come from binary problems. The models k-NN and SVM, specifically to this study, had the best accuracy. It is important to note that SVM spent more than six hours to finish your execution, and k-NN used less than one and half minute to end. O futebol profissional vem se transformando ao longo do tempo e busca constantemente ferramentas e dados que auxiliem a tomada de decisão, entregando informações táticas e técnicas para o time. Não diferente, a modalidade esportiva no Brasil segue a mesma tendência e os investimentos são cada vez mais consideráveis. A exemplo disso, a empresa One Sports é responsável pela captura de dados GPS de jogadores que atuam profissio- nalmente em determinados clubes nacionais. Uma vez que a coleta existe e a mesma é rica em atributos, esse estudo aborda a possibilidade de inferir a posição tática ideal de um jogador profissional de futebol. Desse modo, promovendo uma parceria entre uma empresa comercial e um estudo acadêmico, esse trabalho busca entender e propor métodos e técnicas para inferir o posicionamento ideal dos jogadores de futebol, adotando algoritmos de aprendizado de máquina. A base de dados contém mais de um milhão de tuplas e passou pela etapa de pré-processamento, a qual demonstrou ser fundamental e de extrema importância, uma vez que gerou novos atributos, eliminou dados incompletos e ruidosos, realizou o balanceamento das classes e removeu outliers, preparando assim a base para a execução dos algoritmos k-NN, árvores de decisão, regressão logística, SVM e redes neurais. Com o objetivo de ampliar o entendimento sobre o desempenho e as taxas de acerto, diferentes cenários foram considerados e testados. Houve baixa taxa de acerto quando os algoritmos trabalharam com um problema multi-classe. Os melhores resultados foram obtidos ao utilizar apenas duas classes. Os modelos k-NN e SVM, especificamente para esse estudo, foram aqueles que obtiveram as melhores taxas de acerto. É importante salientar que o SVM consumiu mais de seis horas para finalizar a sua execução, enquanto o k-NN utilizou menos de um minuto para a entrega dos resultados.

Los chatbots se han vuelto cada vez más populares, en parte gracias a la gran cantidad de herramientas disponibles para que los desarrolladores puedan implementar un agente conversacional en plataformas tan populares como Facebook, en solo unos minutos. Sin embargo, el desarrollo de entidades conversacionales no es nuevo, y hay varios enfoques para proveer Procesamiento del Lenguaje Natural a dichas entidades, de forma que se evite la trampa de implementar chatbots que no proveen ningún valor y evitar administrar un chatbot basado en una estructura if-then-else. El presente trabajo recopila trabajos históricos influyente en el campo de la creación de entidades conversacionales, o chatbots y habla sobre algunos enfoques para su implementación.

El sandboxing ha sido usado de manera regular para analizar muestras de software y determinar si estas contienen propiedades o comportamientos sospechosos. A pesar de que el sandboxing es una técnica poderosa para desarrollar análisis de malware, esta requiere que un analista de malware desarrolle un análisis riguroso de los resultados para determinar la naturaleza de la muestra: goodware o malware. Este artículo propone dos modelos de aprendizaje automáticos capaces de clasificar muestras con base a un análisis de firmas o permisos extraídos por medio de Cuckoo sandbox, Androguard y VirusTotal. En este artículo también se presenta una propuesta de arquitectura de centinela IoT que protege dispositivos IoT, usando uno de los modelos de aprendizaje automáticos desarrollados anteriormente. Finalmente, diferentes enfoques y perspectivas acerca del uso de sandboxing y aprendizaje automático por parte de agencias de seguridad del Estado también son aportados., Sandboxing has been used regularly to analyze software samples and determine if these contain suspicious properties or behaviors. Even if sandboxing is a powerful technique to perform malware analysis, it requires that a malware analyst performs a rigorous analysis of the results to determine the nature of the sample: goodware or malware. This paper proposes two machine learning models able to classify samples based on signatures and permissions obtained through Cuckoo sandbox, Androguard and VirusTotal. The developed models are also tested obtaining an acceptable percentage of correctly classified samples, being in this way useful tools for a malware analyst. A proposal of architecture for an IoT sentinel that uses one of the developed machine learning model is also showed. Finally, different approaches, perspectives, and challenges about the use of sandboxing and machine learning by security teams in State security agencies are also shared., Recibido: 20/03/2018 Aceptado: 25/06/2018

En este documento se explorará cómo algunos algoritmos de aprendizaje de máquina pueden ser mejorados, cuadrática y exponencialmente, gracias a la computación cuántica. Se hace una breve introducción al mundo de los datos y por qué es importante realizar un procesamiento adecuado de los mismos, y dando las bases tanto del aprendizaje de máquina como de la computación cuántica, se describirá y se mostrará la implementación en un simulador cuántico, de un algoritmo de maquina de vectores de soporte (SVM), capaz de reconocer y clasificar imágenes de los dígitos 6 y 9, desarrollado e implementado físicamente por Zhaokai Li, Xiaomei Liu, Nanyang Xu, Jiangfeng Du, en la Universidad de Ciencia y Tecnología de China, Hefei, demostrando cómo se puede tener una mejora exponencial en complejidad temporal con respecto a su contraparte clásica., In this paper we will explore how some machine learning algorithms can be improved, quadratically and exponentially, thanks to quantum computing. There is a brief introduction to the world of data and why it is important to perform an adequate processing of them, and laying the foundations for both machine learning and quantum computing, the implementation of a support vector machine algorithm (SVM) in a quantum simulator will be described and shown, capable of recognizing and classifying images of digits 6 and 9, developed and implemented physically by Zhaokai Li, Xiaomei Liu, Nanyang Xu, Jiangfeng Du, at the University of Science and Technology from China, Hefei, demonstrating how one can have an exponential improvement in temporal complexity with respect to its classical counterpart., Pregrado, Ingeniero(a) de Sistemas

El objetivo principal de este trabajo se basa en la premisa que, si tuviéramos un paciente que presente una IAAS, del cual se ha podido extraer y aislar la bacteria que genera la infección, pero no sabemos nada sobre ella y suponiendo que en el sitio de atención se cuenta con una herramienta de secuenciación de última generación que permita obtener la secuencia completa del genoma de la bacteria en poco tiempo, se cuente con una herramienta de software que, por un lado, permita realizar la identificación de la especie de la bacteria y por otro, se pueda establecer la similitud que tenga esta con otras de la misma especie, obtenidas de otros aislamientos, para realizar su tipificación. Los insumos, son los datos de la secuenciación del genoma completo una vez hayan sido ensamblados y anotados. Para la identificación, se utiliza un enfoque de aprendizaje de máquina supervisado (AMS), aplicando el algoritmo de Random Forest (Breiman 2001), logrando clasificar las muestras por especie, basado en los elementos genómicos encontrados en el proceso de anotación. Para crear el conjunto de datos de entrenamiento, se toman desde NCBI RefSeq Database, los datos de genomas completos ensamblados de las especies C.difficile, K.pneumoniae, A.baumannii, P.aeruginosa y E.cloacae. Para definir las características a utilizar, se tomaron las secuencias de cada uno de los elementos genómicos y se agruparon utilizando CD-HIT-EST (Fu et al. 2012). Para la tipificación, se realiza un cálculo de la similitud entre muestras, utilizando el número de características que comparten y los porcentajes de identidad que tienen cada una de ellas. Del conjunto de 150 muestras de prueba, todas las que pertenecían a una de las especies seleccionadas, fueron clasificadas correctamente y con especies muy cercanas se obtuvieron buenos resultados. Frente a la tipificación, se pudieron establecer parámetros para delimitar los tipos y disponer de datos que permiten realizar el seguimiento. Abstract: The main objective of this work is based on the premise that, if we had a patient that presents an IAAS, from which it has been possible to extract and isolate the bacte ria that generates the infection, but there is nothing about it and assuming that on the site of a tool that allows to obtain the complete sequence of the genome of the bacterium in a short time, allows to use a software tool that, on the one hand, allows to make the identification of the bacteria of the species and on the other, it can be established the similarity that have this with other people of the same species, in addition to other isolations, to perform their typing. The inputs are the data of the sequencing of the complete genome once they have been assembled and annotated. For the identification, applying the algorithm of Random Forest (Breiman 2001), managing to classify the samples by species, based on the genomic elements found in the annotati on process. To create the training data set, data from assembled complete genomes of the species C.difficile, K.pneumoniae, A.baumannii, P.aeruginosa and E.cloacae are taken from the NCBI RefSeq Database. To define the characteristics to be used, the seque nces of each element of the genomic elements were taken and grouped using CD - HIT - EST (Fu and others, 2012). For typing, a similarity between samples is calculated, using the number of characteristics they share and the percentages of identity that each one has. From the set of 150 test samples, all those belonging to one of the selected species were classified correctly and with very close, good results were obtained. In front of the typing, parameters can be established to delimit the types and the availa ble data that allow tracking. Maestría

Investigación Tecnológica Actualmente en Colombia, las personas sordas tienden a ser excluidas, ya que la mayoría de la población desconoce el lenguaje de señas a causa de que sólo hay un pequeño porcentaje de personas que hacen uso del lenguaje y no ven la necesidad de aprenderlo, este desconocimiento genera un problema de comunicación entre una persona sorda y una oyente; por lo que surge la necesidad de encontrar una solución que supere esta barrera de comunicación, es aquí donde por medio del aprendizaje de máquina, se crean herramientas y métodos para obtener resultados correctos, objetivos y de una manera más rápida. Pregrado Ingeniero de Sistemas Resumen Abstract Anexos Acrónimos Introducción 1. Generalidades 2. Planteamiento del problema 3. Formulación del problema 4. Justificación 5. Objetivos 6. Marco referencial 7. Alcances y limitaciones 8. Estado del arte 9. Metodología 10. Diseño metodológico 11. Instalaciones y equipo requerido 12. Discusión y resultados 13. Estrategias de comunicación y divulgación 14. Conclusiones

E-mail communication is still the most prevalent form of Customer support process in Organizations. Therefore, organizations have had to implementing processes focused on email categorization in accordance with email contents, in order to provide an efficient response to customer requests. A common text mining approach involves a representation of text based on keywords later combined with machine learning. This project presents a methodological approach that evaluates classification algorithms: Supoport Vector Machine and Gradient Boodting Trees on a corpus builded from emails database of the Administrative Department of Public Function in Colombia., El uso de correo electrónico a nivel de las organizaciones, como canal de comunicación en procesos de servicio y atención al cliente, ha crecido en los últimos tiempos. Por tanto, las organizaciones han debido implementar procesos focalizados en organizar dichos correos de acuerdo con la temática esencial transmitida en ellos, para así dar una respuesta eficiente ante las solicitudes de los clientes. Una manera de abordar el problema es a través de la categorización de la correspondencia electrónica mediante la extracción del contenido textual en corpus de palabras determinantes (Minería de Texto) que se usan para una posterior clasificación de los correos con técnicas de aprendizaje automático de máquinas (Machine Learning). Este proyecto presenta un enfoque metodológico que evalúa diversos algoritmos de clasificación con técnicas de muestreo aleatorio simple sobre una población de documentos (correos) del registro de correspondencia del Departamento Administrativo de la Función Pública en Colombia, como caso de estudio. La investigación se detalla en un sistema paso a paso, desde el preprocesamiento de la información, reducción de la dimensionalidad, selección de diversas muestras hasta la aplicación de algoritmos de clasificación. El modelado incluye un benchmarking entre diversos algoritmos: clasificadores de tipo Naive Bayesianos, máquinas de soporte vectorial (SVM) y Boosting. Se propone, además, una arquitectura funcional semiautomática que puede escalarse en futuro en un sistema productivo de gran manejo de datos en tiempo real (streaming) basada en R, Spark y MapReduce. El modelo se pone a prueba logrando valores de “accuracy” superiores al 90% que soportan una buena Línea Base para soluciones en producción para el enfoque empleado en esta investigación., Maestría, Magíster en Gestión de Información

Identification of brain signals from microelectrode recordings (MER) is a key procedure during deep brain stimulation (DBS) applied in Parkinson’s disease patients. The main purpose of this research work is to identify with high accuracy a brain structure called subthalamic nucleus (STN), since it is the target structure where the DBS achieves the best therapeutic results. To do this, we present an approach for optimal representation of MER signals through method of frames. We obtain coefficients that minimize the Euclidean norm of order two. From optimal coefficients, we extract some features from signals combining the wavelet packet and cosine dictionaries. For a comparison frame with the state of the art, we also process the signals using the discrete wavelet transform (DWT) with several mother functions. We validate the proposed methodology in a real data base. We employ simple supervised machine learning algorithms, as the K-Nearest Neighbors classifier (K-NN), a linear Bayesian classifier (LDC) and a quadratic Bayesian classifier (QDC). Classification results obtained with the proposed method improves significantly the performance of the DWT. We achieve a positive identification of the STN superior to 97,6%. Identification outcomes achieved by the MOF are highly accurate, as we can potentially get a false positive rate of less than 2% during the DBS.

Image fusion is the generation of an image f that combines the most relevant information from a set of images of the same scene, acquired with different cameras or camera settings. Multi-Focus Image Fusion (MFIF) aims to generate an image fe with extended depth-of-field from a set of images taken at different focal distances or focal planes, and it proposes a solution to the typical limited depth-of-field problem in an optical system configuration. A broad variety of works presented in the literature address this problem. The primary approaches found there are domain transformations and block-of-pixels analysis. In this work, we evaluate different systems of supervised machine learning applied to MFIF, including k-nearest neighbors, linear discriminant analysis, neural networks, and support vector machines. We started from two images at different focal distances and divided them into rectangular regions. The main objective of the machine-learning-based classification system is to choose the parts of both images that must be in the fused image in order to obtain a completely focused image. For focus quantification, we used the most popular metrics proposed in the literature, such as: Laplacian energy, sum-modified Laplacian, and gradient energy, among others. The evaluation of the proposed method considered classifier testing and fusion quality metrics commonly used in research, such as visual information fidelity and mutual information feature. Our results strongly suggest that the automatic classification concept satisfactorily addresses the MFIF problem. Resumen La fusión de imágenes genera una imagen f que combina las características más relevantes de un conjunto de imágenes de la misma escena adquiridas con diferentes cámaras o configuraciones. La Fusión de Imágenes Multifoco (MFIF) parte de un conjunto de imágenes con diferente distancia focal para generar una imagen fe con una profundidad de campo extendida. Lo que constituye una solución al problema de la profundidad de campo limitada en la configuración de un sistema óptico. La literatura muestra una amplia variedad de trabajos que abordan este problema. Las transformaciones de dominios y el análisis de bloques de píxeles son la base de los principales enfoques propuestos. En este trabajo se presenta una evaluación de diferentes sistemas de aprendizaje supervisado aplicados a MFIF, incluyendo k-vecinos más cercanos, análisis discriminante lineal, redes neuronales y máquinas de soporte vectorial. El método inicia con dos imágenes de la misma escena, pero con diferentes distancias focales que se dividen en regiones rectangulares. El objetivo principal del sistema de clasificación, que está basado en aprendizaje de máquina, es elegir las partes de ambas imágenes que deben estar en la imagen fusionada para obtener una imagen completamente enfocada. Para la cuantificación del enfoque se utilizaron las métricas más populares propuestas en la literatura como: la Energía Laplaciana, el Laplaciano Modificado por Suma y el Gradiente de Energía, entre otras. La evaluación del método propuesto incluye la fase de prueba de los clasificadores y las métricas de calidad de fusión utilizadas comúnmente en la investigación, tales como la fidelidad de la información visual y la característica de información mutua. Los resultados muestran que el concepto de clasificación automática puede abordar satisfactoriamente el problema MFIF.

This thesis aims to study deep connections between statistical robustness and machine learning techniques, in particular, the relationship between some particular kernel (the Gaussian kernel) and the robustness of kernel-based learning methods that use it. This thesis also presented that estimating the mean in the feature space with the RBF kernel, is like doing robust estimation of the mean in the data space with the Welsch M-estimator. Based on these ideas, new robust kernel to machine learning algorithms are designed and implemented in the current thesis: Tukey’s, Andrews’ and Huber’s robust kernels which each one corresponding to Tukey’s, Andrews’ and Huber’s M-robust estimator, respectively. On the one hand, kernel-based algorithms are an important tool which is widely applied to different machine learning and information retrieval problems including: clustering, latent topic analysis, recommender systems, image annotation, and contentbased image retrieval, amongst others. Robustness is the ability of a statistical estimation method or machine learning method to deal with noise and outliers. There is a strong theory of robustness in statistics; however, it receives little attention in machine learning. A systematic evaluation is performed in order to evaluate the robustness of kernel-based algorithms in clustering showing that some robust kernels including Tukey’s and Andrews’ robust kernels perform on par to state-of-the-art algorithms Resumen: Esta tesis apunta a mostrar la profunda relación que existe entre robustez estadística y técnicas de aprendizaje de maquina, en particular, la relación entre algunos tipos de kernels (kernel Gausiano) y la robustez de los métodos basados en kernels. Esta tesis también presenta que la estimación de la media en el espacio de características con el kernel rbf, es como hacer estimación de la media en el espacio de los datos con el m-estimador de Welsch. Basado en las ideas anteriores, un conjunto de nuevos kernel robustos son propuestos y diseñdos: Tukey, Andrews, y Huber kernels robustos correspondientes a los m-estimadores de Tukey, Andrews y Huber respectivamente. Por un lado, los algoritmos basados en kernel es una importante herramienta aplicada en diferentes problemas de aprendizaje automático y recuperación de información, incluyendo: el agrupamiento, análisis de tema latente, sistemas de recomendación, anotación de imágenes, recuperación de informacion, entre otros. La robustez es la capacidad de un método o procedimiento de estimación aprendizaje estadístico automatico para lidiar con el ruido y los valores atípicos. Hay una fuerte teoría de robustez en estadística, sin embargo, han recibido poca atención en aprendizaje de máquina. Una evaluación sistemática se realiza con el fin de evaluar la robustez de los algoritmos basados en kernel en tareas de agrupación mostrando que algunos kernels robustos incluyendo los kernels de Tukey y de Andrews se desempeñan a la par de los algoritmos del estado del arte. Maestría

La implementación de NFV permite mejorar la flexibilidad, eficiencia y gestión de redes al emplear tecnologías de virtualización y computación en la nube para desplegar nuevas redes de computadores. La implementación de procesos de gestión autónomos, junto con algoritmos de aprendizaje supervisado en la rama del conocimiento denominada aprendizaje de máquina (ML, Machine Learning) se ha convertido en una estrategia clave para gestionar trá- fico en segundo plano. En este documento se presenta un proyecto de investigación que analiza características de tráfico de redes basadas en NFV al realizar una comparativa de la eficiencia (benchmarking) del comportamiento de algoritmos de aprendizaje supervisado para ML. Se analizaron los algoritmos J48, Naïve Bayes y Bayes Net y se analizó la clasificación de tráfico IP respecto a su eficiencia, la que está relacionada con la compensación entre el tiempo de respuesta y la precisión del algoritmo. Se emplearon dos escenarios de prueba (una SDN basada en NFV y un EPC LTE basado en NFV). Los resultados del benchmarking revelan que los algoritmos Naïve Bayes y Bayes Net obtuvieron mejor desempeño en la clasificación del tráfico. En particular, estos valores corroboran una adecuada compensación entre precisión y tiempo de respuesta, con valores de precisión mayores a 80% y 96%, respectivamente, en tiempos menores a 1.5 segundos The implementation of NFV allows improving the flexibility, efficiency, and manageability of networks by leveraging virtualization and cloud computing technologies to deploy computer networks. The implementation of autonomic management and supervised algorithms from Machine Learning [ML] become a key strategy to manage this hidden traffic. In this work, we focus on analyzing the traffic features of NFV-based networks while performing a benchmarking of the behavior of supervised ML algorithms, namely J48, Naïve Bayes, and Bayes Net, in the IP traffic classification regarding their efficiency; considering that such an efficiency is related to the trade-off between time-response and precision. We used two test scenarios (an NFV-based SDN and an NFV-based LTE EPC). The benchmarking results reveal that the Naïve Bayes and Bayes Net algorithms achieve the best performance in traffic classification. In particular, their performance corroborates a good trade-off between precision and time-response, with precision values higher than 80 % and 96 %, respectively, in times less than 1,5 sec.

This study demonstrates the importance of obtaining statistically stable results when using machine learning methods to predict the activity of antimicrobial peptides, due to the cost and complexity of the chemical processes involved in cases where datasets are particularly small (less than a few hundred instances). Like in other fields with similar problems, this results in large variability in the performance of predictive models, hindering any attempt to transfer them to lab practice. Rather than targeting good peak performance obtained from very particular experimental setups, as reported in related literature, we focused on characterizing the behavior of the machine learning methods, as a preliminary step to obtain reproducible results across experimental setups, and, ultimately, good performance. We propose a methodology that integrates feature learning (autoencoders) and selection methods (genetic algorithms) thorough the exhaustive use of performance metrics (permutation tests and bootstrapping), which provide stronger statistical evidence to support investment decisions with the lab resources at hand. We show evidence for the usefulness of 1) the extensive use of computational resources, and 2) adopting a wider range of metrics than those reported in the literature to assess method performance. This approach allowed us to guide our quest for finding suitable machine learning methods, and to obtain results comparable to those in the literature with strong statistical stability. Resumen Este trabajo demuestra la importancia de obtener resultados estadísticamente estables cuando se emplean métodos de aprendizaje computacional para predecir la actividad de péptidos antimicrobianos donde, debido al costo y la complejidad de los procesos químicos, los conjuntos de datos son particularmente pequeños (menos de unos cientos de instancias). Al igual que en otros campos con problemas similares, esto produce grandes variabilidades en el rendimiento de los modelos predictivos, lo que dificulta cualquier intento por transferirlos a la práctica. Por ello, a diferencia de otros trabajos que reportan rendimientos predictivos máximos obtenidos en configuraciones experimentales muy particulares, nos enfocamos en caracterizar el comportamiento de los métodos de aprendizaje de máquina, como paso previo a obtener resultados reproducibles, estadísticamente estables y, finalmente, con una capacidad predictiva competitiva. Para este propósito se diseñó una metodología que integra el aprendizaje de características (autoencoders) y métodos de selección (algoritmos genéticos) a través del uso exhaustivo de métricas de rendimiento (test de permutaciones y bootstrapping), permitiendo obtener la evidencia estadística suficiente como para soportar la toma de decisiones de inversión con los recursos disponibles del laboratorio. En este trabajo se muestra evidencia de la utilidad de: 1) el uso extensivo de los recursos computacionales y 2) la adopción de una gama más amplia de métricas que las reportadas en la literatura para evaluar el funcionamiento de los métodos. Este enfoque permitió orientar la búsqueda de métodos de aprendizaje de máquinas adecuados y, además, se obtuvieron resultados comparables a los de la literatura con una gran estabilidad estadística. Resumo Este trabalho demonstra a importância de obter resultados estatisticamente estáveis quando empregam-se métodos de aprendizagem computacional para predizer a atividade de peptídeos antimicrobianos onde, devido ao custo e à complexidade dos processos químicos, os conjuntos de dados são particularmente pequenos (menos de algumas centenas de instâncias). Igualmente, em outros campos com problemas similares, isto produz grandes variabilidades no rendimento dos modelos preditivos, o que dificulta qualquer intento por transferi-los à prática. Consequentemente, ao contrario de outros trabalhos que reportam rendimentos preditivos máximos obtidos em configurações experimentais muito particulares, enfocamo-nos em caracterizar o comportamento dos métodos de aprendizagem de máquina, como passo prévio para obter resultados reproduzíveis, estatisticamente estáveis e, finalmente, com uma capacidade preditiva competitiva. Para este propósito, desenhou-se uma metodologia que integra a aprendizagem de características (autoencoders) e métodos de seleção (algoritmos genéticos) através do uso exaustivo de métricas de rendimento (teste de permutações e bootstrapping), permitindo obter a evidência estatística suficiente como para suportar a tomada de decisões de inversão com os recursos disponíveis do laboratório. Neste trabalho mostra-se evidência da utilidade de: 1) o uso extensivo dos recursos computacionais e 2) a adoção de uma gama mais ampla de métricas que as reportadas na literatura para avaliar o funcionamento dos métodos. Este enfoque permitiu orientar a busca de métodos de aprendizagem de máquina adequados e, além disso, obter resultados comparáveis aos da literatura com uma grande estabilidade estatística.

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.

La presente investigación tuvo como objetivo determinar que los modelos de aprendizaje de máquina evalúan eficazmente el riesgo crediticio de personas naturales de una institución financiera de Chiclayo que el modelo clásico de credit scoring estimado mediante la Regresión Logística. La investigación es de tipo descriptivo explicativo y predictivo para lo cual se trabajó con la metodología CRISP-DM. Para el desarrollo de la investigación se utilizaron los modelos de aprendizaje de maquina tales como, Árboles de Calsificación, Redes Neuronales, Maquinas de Soporte Vectorial y el modelo clásico de la Regresión Logística; la base de datos estuvo contituída por 2464 clientes, de los cuales se utilizó el 70% de la base para el entrenamiento el 30% restante para la validación. Tesis

El sueño es un proceso biológico de reposo, en el cual se llevan a cabo funciones importantes para el cuerpo como consolidación de la memoria, crecimiento y reparación. El monitoreo del sueño resulta de gran relevancia a nivel clínico, ya que la aparición de desórdenes del sueño ha aumentado drásticamente. En este proyecto se implementaron y compararon diferentes métodos de clasificación automática de etapas de sueño, a partir de las señales EEG. Además, se analizó la calidad del sueño obtenida a partir de las señales EEG y se comparó con respecto a aplicaciones en dispositivos móviles. Se obtuvieron resultados de la clasificación aceptables (~80\% de exactitud). Con esta información, fue posible analizar la calidad del sueño y compararla con aplicaciones móviles. Magíster en Ingeniería Electrónica Maestría

Durante esta investigación se llevó a cabo un proceso conocido como KDD (Knowledge Discovery in Databases), el cual involucra un trabajo extenso en minería de datos como uno de los pasos más importantes de este proceso. La investigación se realizó bajos dos objetivos principales: Encontrar patrones de comportamiento relacionados con el embarazo a temprana edad en las poblaciones más vulnerables de Bogotá y generar un modelo predictivo capaz de identificar las adolescentes con mayor riesgo de quedar en embarazo. El desarrollo de este modelo predictivo se basó en la teoría de determinantes de la salud de la OMS (Organización Mundial de la Salud), la cual indica que existen ciertos factores de riesgo asociados al embarazo adolescente determinados por factores sociales, económicos, personales y de entorno. Finalmente, con el propósito de brindar una herramienta tecnológica a los equipos médicos de promoción y prevención del distrito, se desarrolló una solución que involucra una aplicación móvil para geolocalizar a las mujeres menores de 20 años con mayor riesgo usando el modelo predictivo desarrollado. Abstract. In this work, a process known as KDD (Knowledge Discovery in Databases), which involves extensive work in data mining as one of the most important steps in this process, was carried out. The main goal was to find patterns associated with early pregnancy in the most vulnerable population in Bogotá and to develop a predictive model in order to identify the women with high risk of becoming pregnant during their girlhood, adolescence and part of their youth. The predictive model developed was based on the theory of health determinants of the WHO (World Health Organization). This theory states that teenage pregnancy risk is associated with social, economic, personal and environmental factors. Finally, a software tool (an app) to geolocate teenagers girls with most high risk detected by the predictive model was implemented. Such app could be used by medical professionals from health programs in Bogotá. Maestría

Durante esta investigación se llevó a cabo un proceso conocido como KDD (Knowledge Discovery in Databases), el cual involucra un trabajo extenso en minería de datos como uno de los pasos más importantes de este proceso. La investigación se realizó bajos dos objetivos principales: Encontrar patrones de comportamiento relacionados con el embarazo a temprana edad en las poblaciones más vulnerables de Bogotá y generar un modelo predictivo capaz de identificar las adolescentes con mayor riesgo de quedar en embarazo. El desarrollo de este modelo predictivo se basó en la teoría de determinantes de la salud de la OMS (Organización Mundial de la Salud), la cual indica que existen ciertos factores de riesgo asociados al embarazo adolescente determinados por factores sociales, económicos, personales y de entorno. Finalmente, con el propósito de brindar una herramienta tecnológica a los equipos médicos de promoción y prevención del distrito, se desarrolló una solución que involucra una aplicación móvil para geolocalizar a las mujeres menores de 20 años con mayor riesgo usando el modelo predictivo desarrollado. Abstract. In this work, a process known as KDD (Knowledge Discovery in Databases), which involves extensive work in data mining as one of the most important steps in this process, was carried out. The main goal was to find patterns associated with early pregnancy in the most vulnerable population in Bogotá and to develop a predictive model in order to identify the women with high risk of becoming pregnant during their girlhood, adolescence and part of their youth. The predictive model developed was based on the theory of health determinants of the WHO (World Health Organization). This theory states that teenage pregnancy risk is associated with social, economic, personal and environmental factors. Finally, a software tool (an app) to geolocate teenagers girls with most high risk detected by the predictive model was implemented. Such app could be used by medical professionals from health programs in Bogotá. 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

Social networks such as Facebook and Twitter, websites that allow us to share and store information every day, ongoing research in different domain fields, advances in data collection and storage capabilities during the last age, among others, represent different sources of information that increase the observations of phenomena every day and have led to an information overload in most sciences. The problem is that not all these observations are necessary or important for the understanding of a phenomenon of interest. These high-dimensional sources of information represent a challenge in different fields such as the computational one, and also represent a opportunity to learn from the data. Therefore, methods that perform dimensionality reduction are required. In this thesis, the dimensionality reduction problem is addressed by using different approaches. The first approach takes into account the use of some type of supervision such as classes or labels in the design of the model. The second approach is the inclusion of kernels as a proven tool to handle non-linearities in the data. Finally, the third strategy is based on on-line learning and efficient implementations. To carry out these strategies, methods based on matrix factorization as a main component are proposed. Resumen: Redes sociales como Facebook y Twitter, sitios web que nos permiten compartir y almacenar información, investigaciones en curso en diferentes campos de dominio, avances en colecciones de datos y capacidades de almacenamiento durante la última era, entre otros, representan diferentes fuentes de información que incrementan las observaciones de un fenómeno cada día y han conducido a una sobrecarga en la mayoría de las ciencias. El problema es que no todas éstas observaciones son necesarias o importantes para el entendimiento de un fenómeno de interés. Ésta alta dimensionalidad de los datos representa un desafío en campos como el computacional, y también representa una oportunidad para aprender de los datos. Por lo tanto, métodos que lleven a cabo reducción de la dimensionalidad son requeridos. En ésta tesis, el problema de reducción de la dimensionalidad es abordado utilizando diferentes enfoques. El primer enfoque toma en consideración el uso de supervisión como clases o etiquetas en el diseño del modelo. El segundo enfoque es la inclusión de kernels como herramientas probadas para manejar no-linealidades en los datos. Finalmente, el último enfoque está basado en aprendizaje en línea e implementaciones eficientes. Para llevar a cabo éstas estrategías, métodos basados en factorización de matrices como principal componente son propuestos. Maestría

Resumen Hoy en día se recogen datos de muy diversa índole y a un bajo costo, como no se había visto antes en la historia de la humanidad; por ejemplo, sensores que registran datos a cada minuto, páginas web que almacenan todas las acciones que realiza el usuario, supermercados que guardan todo lo que sus clientes compran y en qué momento lo hacen. Pero estas grandes bases de datos presentan un gran reto a sus propietarios ¿Cómo sacarles provecho?, ¿cómo convertir datos en información para la toma de decisiones? Este artículo presenta una estrategia basada en el aprendizaje de máquina para tratar con conjuntos de datos no etiquetados utilizando conjuntos aproximados y/o ganancia de información. Se propone una estrategia para agrupar los datos utilizando k-means, considerando cuánta información aporta un atributo (ganancia de información), además de poder seleccionar cuáles atributos son realmente indispensables para clasificar nuevos datos y cuáles son dispensables (conjuntos aproximados), lo cual es muy beneficioso pues permite tomar decisiones en menor tiempo. Abstract As had been seen in the history of humanity, today data of various kinds and cheaply collected, for example sensors that record information every minute, web pages that store all the actions performed by the user on the page supermarkets that keep everything their customers buy and when to do it and many more examples like these. But these large databases have presented a challenge to their owners How to take advantage of them? How to turn data into information for decision making? This paper presents a strategy based on machine learning to deal with unlabeled datasets using rough sets and/or information gain. A method is proposed to cluster the data using k-means considering how much information provides an attribute (information gain); besides being able to select which attributes are really essential to classify new data and which are dispensable (rough sets), which is very beneficial as it allows decisions in less time.

Objetivo: Realizar una revisión sobre la implementación de algoritmos basados en máquinas de soporte vectorial para sistemas eléctricos. Método: Se realiza una búsqueda de artículos principalmente en Índices bibliográficos (IB) y Bases Bibliográficas con Comité de Selección (BBCS) acerca de las máquinas de soporte vectorial. Este trabajo presenta una descripción cualitativa y/o cuantitativa acerca de los avances y aplicaciones en el entorno eléctrico, abordando temas como: predicción del mercado eléctrico, predicción de la demanda, perdidas no técnicas de electricidad (hurto), energías alternativas, trasformadores, entre otros; en cada trabajo se realiza la respectiva citación con el fin de garantizar los derechos de autor y permitirle al lector el movimiento dinámico entre lo consignado en este trabajo y los trabajos citados . Resultados: Se realiza la revisión de una manera detallada, centrando la búsqueda en algoritmos implementados en sistemas eléctricos y en áreas de aplicación novedosas. Conclusión: Las máquinas de soporte vectorial tienen bastantes aplicaciones debido a sus múltiples beneficios, sin embargo en el área de energía eléctrica, estas no se han aplicado en su totalidad, esto permite identificar un área prometedora de trabajos de investigación. Objective: To perform a review of implementation of algorithms based on support vectore machine applied to electric systems. Method: A paper search is done mainly on Bibliographic Indexes (BI) and Bibliographic Bases with Selection Committee (BBSC) about support vector machine. This work shows a qualitative and/or quantitative description about advances and applications in the electrical environment, approaching topics such as: electrical market prediction, demand prediction, non-technical losses (theft), alternative energy source and transformers, among others, in each work the respective citation is done in order to guarantee the copy right and allow to the reader a dynamic movement between the reading and the cited works. Results: A detailed review is done, focused on the searching of implemented algorithms in electric systems and innovating application areas. Conclusion: Support vector machines have a lot of applications due to their multiple benefits, however in the electric energy area; they have not been totally applied, this allow to identify a promising area of researching.

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