Search

En el presente trabajo hemos utilizado una base de datos real, del paquete survival, para poder testear si existía una mejora en la performance en la utilización de diferentes modelos de supervivencia. Luego de hacer una discusión conceptual sobre cuatro modelos, un modelo paramétrico, uno semi paramétrico, otro no paramétrico, y otro dentro de la categoría de machine learning, hemos evidenciado que los modelos tienen performances diferentes. Posiblemente la respuesta a esta mejora en la performance radique en la utilización de los datos censurados en forma diferente dentro del desarrollo de cada modelo, según se evidencia en la teoría analizada en el presente trabajo. La hipótesis anterior la fundamentamos en el hecho que el modelo que mejor performance tiene, medido por el C-index, es el modelo de regresión logística multitarea (MTLR) el cual es esencialmente una colección de modelos de regresión logística construidos en diferentes intervalos de tiempo para determinar la probabilidad de que el evento de interés ocurriera durante cada intervalo. Los resultados proporcionados por el MTLR son similares al modelo CoxPH sin basarse en la suposición de CoxPH de que la función de peligro para los dos sujetos es constante en el tiempo. La mejora de performance del MTLR respecto al modelo Cox, el más cercano en performance, fue de aproximadamente un 6%. En el present treball hem utilitzat una base de dades real, del paquet survival, per a poder testar si existia una millora en la performance en la utilització de diferents models de supervivència. Després de fer una discussió conceptual sobre quatre models, un model paramètric, un semi paramètric, un altre no paramètric, i un altre dins de la categoria de machine learning, hem evidenciat que els models tenen performances diferents. Possiblement la resposta a aquesta millora en la performance radica en la utilització de les dades censurades en forma diferent dins del desenvolupament de cada model, segons s'evidencia en la teoria analitzada en el present treball. La hipòtesi anterior la fonamentem en el fet que el model que millor performance té, mesurat pel C-index, és el model de regressió logística multitasca (MTLR) el qual és essencialment una col·lecció de models de regressió logística construïts en diferents intervals de temps per a determinar la probabilitat que l'esdeveniment d'interès ocorregués durant cada interval. Els resultats proporcionats pel MTLR són similars al model CoxPH sense basar-se en la suposició de CoxPH que la funció de perill per als dos subjectes és constant en el temps. La millora de performance del MTLR respecte al model Coix, el més pròxim en performance, va anar d'aproximadament un 6%. In the present work we have used a real database, from the survival package, to be able to test if there was an improvement in performance in the use of different survival models. After making a conceptual discussion about four models, a parametric model, a semiparametric model, a non-parametric model, and another within the category of machine learning, we have shown that the models have different performances. Possibly the answer to this improvement in performance lies in the use of censored data differently within the development of each model, as evidenced in the theory analysed in this paper. We base the previous hypothesis on the fact that the model that has the best performance, measured by the C-index, is the multitask logistic regression (MTLR) model, which is essentially a collection of logistic regression models built at different time intervals. To determine the probability that the event of interest would occur during each interval. The results provided by the MTLR are similar to the CoxPH model without relying on the CoxPH assumption that the hazard function for the two subjects is constant over time. The performance improvement of the MTLR over the Cox model, the closest in performance, was approximately 6%.

Machine learning is an emerging area that creates computer systems that by using algorithms and statistical models are capable of learning from existing data and making inferences to new data. The development of machine learning models has been a tool for working with large databases such as electronic health records to improve healthcare quality, efficiency, clinical research and capture billing data. The main objective of this TFM has been to infer on patients¿ survival prediction using an electronic health record and through the implementation of three machine learning classification algorithms. To do this, a basic protocol for beginners in machine learning has been developed which consists of six steps: (1) an exploratory analysis of the data with univariate and bivariate statistical analysis, (2) cleaning and curing of the data so that it can be analyzed, (3) multivariate analysis to know the relationship of predictive variables and their interaction with the response variable, (4) application of 3 of the most common machine learning classification models, (5) validation using k-fold cross-validation technique, (6) finally an evaluation and comparison of the generated models by means of some parameters such as balanced accuracy and AUC. El aprendizaje automático es un área emergente que crea sistemas informáticos que, mediante el uso de algoritmos y modelos estadísticos, son capaces de aprender de los datos existentes y hacer inferencias a los nuevos datos. El desarrollo de modelos de aprendizaje automático ha sido una herramienta para trabajar con grandes bases de datos, como las historias clínicas electrónicas, para mejorar la calidad de la atención sanitaria, la eficiencia, la investigación clínica y la captura de datos de facturación. El objetivo principal de este TFM ha sido inferir sobre la predicción de la supervivencia de los pacientes utilizando una historia clínica electrónica y mediante la implementación de tres algoritmos de clasificación de aprendizaje automático. Para ello, se ha desarrollado un protocolo básico para principiantes en machine learning que consta de seis pasos (1) un análisis exploratorio de los datos con análisis estadístico univariante y bivariante, (2) limpieza y curación de los datos para poder analizarlos, (3) análisis multivariante para conocer la relación de las variables predictivas y su interacción con la variable respuesta, (4) aplicación de 3 de los modelos de clasificación de aprendizaje automático más comunes, (5) validación mediante la técnica de k-fold cross-validation, (6) finalmente una evaluación y comparación de los modelos generados mediante algunos parámetros como la precisión equilibrada y el AUC. L'aprenentatge automàtic és una àrea emergent que crea sistemes informàtics que, mitjançant l'ús d'algorismes i models estadístics, són capaços d'aprendre de les dades existents i fer inferències a les noves dades. El desenvolupament de models d'aprenentatge automàtic ha estat una eina per a treballar amb grans bases de dades, com les històries clíniques electròniques, per a millorar la qualitat de l'atenció sanitària, l'eficiència, la recerca clínica i la captura de dades de facturació. L'objectiu principal d'aquest TFM ha estat inferir sobre la predicció de la supervivència dels pacients utilitzant una història clínica electrònica i mitjançant la implementació de tres algorismes de classificació d'aprenentatge automàtic. Per a això, s'ha desenvolupat un protocol bàsic per a principiants en machine learning que consta de sis passos (1) una anàlisi exploratòria de les dades amb anàlisi estadística univariant i bivariante, (2) neteja i curació de les dades per a poder analitzar-los, (3) anàlisis multivariant per a conèixer la relació de les variables predictives i la seva interacció amb la variable resposta, (4) aplicació de 3 dels models de classificació d'aprenentatge automàtic més comuns, (5) validació mitjançant la tècnica de k-fold cross-validation, (6) finalment una avaluació i comparació dels models generats mitjançant alguns paràmetres com la precisió equilibrada i el AUC.

El cierre forzado de escuelas y universidades por la COVID 19 tuvo como respuesta el paso de la educación presencial a una educación remota. La mayoría de países no estuvo preparada para este cambio tan radical y abrupto; sin embargo, en países desarrollados, esta situación fue mejor afrontada por el profesorado y el alumnado pues la mayoría contaba con los recursos, infraestructura y formación necesarias. Sin embargo, en universidades latinoamericanas la respuesta fue diferente dadas las condiciones de desigualdad que se venían enfrentando con anterioridad. En este contexto, el mobile learning surge como una alternativa potente para dar continuidad a la formación del estudiantado universitario, debido a sus características de conectividad ubicua, colaboración, comunicación con otros; así como al abaratamiento de los costos que posibilita el acceso de los dispositivos móviles al estudiantado de zonas desfavorecidas. Además, su aplicación al estar sustentada en marcos conceptuales o teorías de aprendizaje aseguran el desarrollo de pedagogías de calidad y, por ende, la mejora de los aprendizajes. Por ello, el presente trabajo final de máster explica la correspondencia entre el diseño de experiencias de aprendizaje basadas en mobile learning y la mejora del desempeño académico del estudiantado de Educación Superior de países latinoamericanos; y propone una serie de recomendaciones orientadas al diseño tecnopedagógico de experiencias de aprendizaje basadas en mobile learning. El tancament forçat d'escoles i universitats per COVID 19 va tenir com a resposta el pas de l'educació presencial a una educació remota. La majoria de països no van estar preparats per a aquest canvi tan radical i abrupte; no obstant això, a països desenvolupats, aquesta situació va ser millor afrontada pel professorat i l'alumnat ja que la majoria comptava amb els recursos, infraestructura i formació necessàries. No obstant això, a universitats llatinoamericanes la resposta va ser diferent ateses les condicions de desigualtat que s'enfrontaven amb anterioritat. En aquest context, el mobile learning sorgeix com una alternativa potent per donar continuïtat a la formació de l'estudiantat universitari, per les seves característiques de connectivitat ubiqua, col·laboració, comunicació amb altres; així com a l'abaratiment dels costos que possibilita l'accés dels dispositius mòbils a l'estudiantat de zones desafavorides. A més, la seva aplicació en estar sustentada en marcs conceptuals o teories daprenentatge asseguren el desenvolupament de pedagogies de qualitat i, per tant, la millora dels aprenentatges. Per això, aquest treball final de màster explica la correspondència entre el disseny d'experiències d'aprenentatge basades en mobile learning i la millora de l'exercici acadèmic de l'estudiantat d'Educació Superior de països llatinoamericans; i proposa una sèrie de recomanacions orientades al disseny tecnopedagògic d'experiències d'aprenentatge basades en mobile learning. The forced closure of schools and universities due to COVID 19 had as a response the transition from face-to-face education to remote education. Most countries were not prepared for this radical and abrupt change; however, in developed countries, this situation was better faced by teachers and students, since most of them had the necessary resources, infrastructure and training. However, in Latin American universities the response was different given the conditions of inequality that they had been facing previously. In this context, mobile learning emerges as a powerful alternative to give continuity to the training of university students, due to its characteristics of ubiquitous connectivity, collaboration, communication with others; as well as the lowering of costs that enables the access of mobile devices to students in disadvantaged areas. In addition, its application, being based on conceptual frameworks or learning theories, ensures the development of quality pedagogies and, therefore, the improvement of learning. For this reason, this Master’s Final Project explains the correspondence between the design of learning experiences based on mobile learning and the improvement of the academic performance of Higher Education students from Latin American countries; and proposes a series of recommendations aimed at the techno-pedagogical design of learning experiences based on mobile learning.

En la actualidad, el consumo de la electricidad es necesaria en el día a día de todas las personas. Por lo tanto, el consumo eléctrico se ha convertido en una necesidad de la sociedad. En este trabajo se estudia la predicción del consumo eléctrico de los edificios a partir de Machine Learning. Así pues, a partir de una gran cantidad de datos de consumo eléctricos en edificios se podrá realizar una predicción del consumo, empleando Machine Learning. El objetivo es estudiar los distintos modelos de aprendizaje supervisado y no supervisado que se pueden aplicar a este tipo de datos de consumo para poder obtener la mejor predicción puesto que muchos de estos datos tienen valor cero, por lo tanto, puede verse sesgado el modelo que se aplique en este tipo de predicciones. Además, a partir de los datos obtenidos se podrá mejorar la eficiencia energética y tomar medidas para sacar el máximo partido de las energías renovables reduciendo los costes asociados al consumo eléctrico tradicional. Nowadays, the consumption of electricity is necessary in every person's daily life. Therefore, electricity consumption has become a necessity for society. In this work, we study the prediction of electricity consumption in buildings using Machine Learning. Thus, from a large amount of electricity consumption data in buildings, it will be possible to make a prediction of consumption using Machine Learning. The aim is to study the different supervised and unsupervised learning models that can be applied to this type of consumption data in order to obtain the best prediction, given that many of these data have zero value, and therefore the model applied in this type of predictions may be biased. Furthermore, the data obtained can be used to improve energy efficiency and take measures to make the most of renewable energies by reducing the costs associated with traditional electricity consumption. Actualment, el consum de l'electricitat és necessari en el dia a dia de totes les persones. Per tant, el consum elèctric ha esdevingut una necessitat de la societat. En aquest treball, s'estudia la predicció del consum elèctric dels edificis a partir de Machine Learning. Així doncs, a partir d'una gran quantitat de dades de consum elèctrics en edificis es podrà fer una predicció del consum, emprant Machine Learning. L'objectiu és estudiar els diferents models d'aprenentatge supervisat i no supervisat que es poden aplicar a aquest tipus de dades de consum per poder obtenir la millor predicció ja que moltes d'aquestes dades tenen valor zero, per tant, es pot veure esbiaixat el model que s'apliqui a aquest tipus de prediccions. A més, a partir de les dades obtingudes es podrà millorar l'eficiència energètica i prendre mesures per treure el màxim profit de les energies renovables i reduir els costos associats al consum elèctric tradicional.

La columna vertebral es la estructura más importante del esqueleto humano y una de las partes fundamentales del sistema locomotor. La parte baja de la columna se denomina columna lumbar y está compuesta por vértebras más grandes, debido a que en esta zona se deposita la mayor parte del peso del cuerpo. El dolor en la región lumbar es una de las principales causas de consulta médica y se presenta con frecuencia en el 80-90% de la población adulta. La hernia de disco y la espondilolistesis son patologías degenerativas que afectan generalmente a la columna lumbar. La condición ortopédica de una persona se puede determinar a partir de sus características biomecánicas. El aprendizaje automático en el campo de la salud permite convertir datos clínicos, desde mediciones hasta imágenes, en conclusiones importantes para la toma de decisiones sobre el diagnóstico de enfermedades. Utilizando una base de datos de características biomecánicas de la columna, se evaluaron varios algoritmos de aprendizaje automático, el mejor modelo predictivo se obtuvo con el algoritmo de máquina de vectores de soporte (SVM), con una precisión del 85%. Utilizando este modelo se desarrolló una aplicación web con Shiny, en la que el usuario ingresa seis características biomecánicas de la columna y la aplicación devuelve el diagnóstico predicho por el modelo seleccionado. Esta aplicación fue desarrollada para facilitar a los médicos el diagnóstico de estas enfermedades, de manera que los pacientes puedan empezar de inmediato con el tratamiento adecuado. The vertebral column is the most important structure of the one of the fundamental parts of the locomotor system. The lower part of the vertebral column is called the lumbar column and is made up of larger vertebrae, since most of the body's weight is deposited in this area. Pain in the lumbar region is one of the main causes of medical consultation and occurs frequently in 80-90% of the adult population. Herniated discs and spondylolisthesis are degenerative pathologies that generally affect the lumbar column. The orthopedic condition of a person can be determined from their biomechanical characteristics. Machine learning in the field of health allows converting clinical data, from measures to images, into important conclusions for decision making about the diagnosis of diseases. Using a database of biomechanical characteristics of the spine, several machine learning algorithms were evaluated, the best predictive model was obtained with the support vector machine (SVM) algorithm, with an accuracy of 85%. Using this model, a web application with Shiny was developed, in which the user enters six biomechanical characteristics of the vertebral column, and the application returns the diagnosis predicted by the selected model. This application was developed to make it easier for doctors to diagnose these diseases, so that patients can immediately start with the appropriate treatment. La columna vertebral és l'estructura més important de l'esquelet humà i una de les parts fonamentals del sistema locomotor. La part baixa de la columna es denomina columna lumbar i està composta per vèrtebres més grans, pel fet que en aquesta zona es diposita la major part del pes del cos. El dolor a la regió lumbar és una de les principals causes de consulta mèdica i es presenta amb freqüència en el 80-90% de la població adulta. L'hèrnia de disc i la espondilolistesis són patologies degeneratives que afecten generalment la columna lumbar. La condició ortopèdica d'una persona es pot determinar a partir de les seves característiques biomecàniques. L'aprenentatge automàtic en el camp de la salut permet convertir dades clíniques, des de mesuraments fins a imatges, en conclusions importants per a la presa de decisions sobre el diagnòstic de malalties. Utilitzant una base de dades de característiques biomecàniques de la columna, es van avaluar diversos algorismes d'aprenentatge automàtic, el millor model predictiu es va obtenir amb l'algorisme de màquina de vectors de suport (SVM), amb una precisió del 85%. Utilitzant aquest model es va desenvolupar una aplicació web amb Shiny, en la qual l'usuari ingressa sis característiques biomecàniques de la columna i l'aplicació retorna el diagnòstic predit pel model seleccionat. Aquesta aplicació va ser desenvolupada per a facilitar als metges el diagnòstic d'aquestes malalties, de manera que els pacients puguin començar immediatament amb el tractament adequat.

Printing industry rapidly is adopting digital technologies and the requirements in terms of speed and print quality are also becoming more demanding. The is a wide range of possible quality defects in printed paper. This makes it impossible to have humans inspect the printed paper for such a big amount of possible quality defects at the high-speeds the printouts are produced. Printing industry is not taking advantage of the Artificial Intelligence to detect defects in printed paper at speed without human intervention. It is possible to generate millions of images (captures) with printed content from a printing system every day. Most of these images will not have any defect but some other will and can be used to generate a data set to be used in a machine learning system. The intention of this research work is to find ways artificial intelligence can help on automatically detecting defects on printed paper in a printing system and classifying them, without human intervention. Focusing on scratches, I've explored what are the actual proposals and solutions, and how machine learning can help improving them by using datasets with different techniques, implementing possible solutions and comparing the obtained results. La industria de la impresión está adoptando rápidamente las tecnologías digitales y los requisitos en términos de velocidad y calidad de impresión también son cada vez más exigentes. Existe una amplia gama de posibles defectos de calidad en el papel impreso. Esto hace imposible que los humanos inspeccionen el papel impreso para detectar una cantidad tan grande de posibles defectos de calidad a las altas velocidades a las que se producen las impresiones. La industria de la impresión no está aprovechando la Inteligencia Artificial para detectar defectos en el papel impreso a velocidad sin intervención humana. Es posible generar millones de imágenes (capturas) con contenido impreso desde un sistema de impresión cada día. La mayoría de estas imágenes no tendrán ningún defecto, pero otras sí y pueden ser utilizadas para generar un conjunto de datos que se utilizarán en un sistema de aprendizaje automático. La intención de este trabajo de investigación es encontrar formas en que la inteligencia artificial pueda ayudar a detectar automáticamente los defectos en el papel impreso en un sistema de impresión y clasificarlos, sin intervención humana. Centrándome en los arañazos, he explorado cuáles son las propuestas y soluciones actuales, y cómo el aprendizaje automático puede ayudar a mejorarlas utilizando conjuntos de datos con diferentes técnicas, implementando las posibles soluciones y comparando los resultados obtenidos. La indústria de la impressió està adoptant ràpidament les tecnologies digitals i els requisits en termes de velocitat i qualitat d'impressió també són cada vegada més exigents. Existeix una àmplia gamma de possibles defectes de qualitat en el paper imprès. Això fa impossible que els humans inspeccionin el paper imprès per a detectar una quantitat tan gran de possibles defectes de qualitat a les altes velocitats a les quals es produeixen les impressions. La indústria de la impressió no està aprofitant la Intel·ligència Artificial per a detectar defectes en el paper imprès a velocitat sense intervenció humana. És possible generar milions d'imatges (captures) amb contingut imprès des d'un sistema d'impressió cada dia. La majoria d'aquestes imatges no tindran cap defecte, però altres sí i poden ser utilitzades per a generar un conjunt de dades que s'utilitzaran en un sistema d'aprenentatge automàtic. La intenció d'aquest treball de recerca és trobar formes en què la intel·ligència artificial pugui ajudar a detectar automàticament els defectes en el paper imprès en un sistema d'impressió i classificar-los, sense intervenció humana. Centrant-me en les esgarrapades, he explorat quines són les propostes i solucions actuals, i com l'aprenentatge automàtic pot ajudar a millorar-les utilitzant conjunts de dades amb diferents tècniques, implementant les possibles solucions i comparant els resultats obtinguts.

En els últims anys, han estat molt els investigadors que han intentat analitzar les causes i conseqüències de les polítiques de reestructuració urbana. La gentrificació actua sota un lema que no amaga l'objectiu de convertir una ciutat en un espai comercialitzable, afavorint el creixement econòmic local en detriment de la implementació de lleis socials més justes i equitatives. Aquest Treball Final de Màster està concebut per analitzar els motius i els efectes que provoca la gentrificació, així com l'estudi en detall d'un cas pràctic a la ciutat de Paris i els seus suburbis. El projecte es durà a terme mitjançant l'explotació de dades disponibles en plataformes obertes i la creació d'un algoritme en Machine Learning. Aquest, serà capaç de detectar nous focus, en els quals es confirmi un procés de renovació urbana i un desplaçament social de persones amb un poder adquisitiu inferior. El producte final visualitzarà els resultats mitjançant un mapa interactiu. Cal recordar que existeixen moltes causes que activen un procés de gentrificació. Tot i que la majoria d'aquestes, veuen com són finalment recolzades gràcies a la intervenció de l'estat o es veuen immerses enmig d'un corrent capitalista basat en l'especulació immobiliària. Per tant, la resolució d'aquest estudi tindrà en compte, experiències passades, tendències presents i esdeveniments futurs. In recent years, there have been many researchers who have tried to analyze the causes and consequences of urban restructuring policies. Gentrification acts under a slogan that does not hide the goal of turning a city into a marketable space, promoting local economic growth in detriment of fairer and more equitable social laws. This Final Master's Thesis is designed to analyze the causes and effects of gentrification in the city of Paris and its suburbs. The project will be carried out by exploiting data available on open platforms and creating an algorithm in Machine Learning. This will be able to detect new focus, in which a process of urban renewal and a social displacement of people with a lower purchasing power is confirmed. The final product will display the results using an interactive map. It must be remembered that there are many causes that activate a process of gentrification. Although most of the causes see how they are finally supported by the intervention of the state or are immersed in a capitalist flow based on real estate speculation. Therefore, the resolution of this study will consider the past experiences, the present trends, and the future events. En los últimos años, han sido mucho los investigadores que han intentado analizar las causas y consecuencias de las políticas de reestructuración urbana. La gentrificación actúa bajo un lema que no esconde el objetivo de convertir una ciudad en un espacio comercializable, favoreciendo el crecimiento económico local en detrimento de la implementación de leyes sociales más justas y equitativas. Este Trabajo Final de Máster está concebido para analizar los motivos y los efectos que provoca la gentrificación, así como el estudio en detalle d¿un caso práctico en la ciudad de Paris y sus suburbios. El proyecto se llevará a cabo mediante la explotación de datos disponibles en plataformas abiertas y la creación de un algoritmo en Machine Learning. Este, será capaz de detectar nuevos focos, en los cuales se confirme un proceso de renovación urbana y un desplazamiento social de personas con un poder adquisitivo inferior. El producto final visualizará los resultados mediante un mapa interactivo. Hay que recordar que existen muchas causas que activan un proceso de gentrificación. A pesar de que la mayoría de estas, ven cómo son finalmente apoyadas gracias a la intervención del estado o se ven inmersas en medio de un corriente capitalista basado en la especulación inmobiliaria. Por lo tanto, la resolución de este estudio tendrá en cuenta, experiencias pasadas, tendencias presentes y acontecimientos futuros.

Printing industry rapidly is adopting digital technologies and the requirements in terms of speed and print quality are also becoming more demanding. The is a wide range of possible quality defects in printed paper. This makes it impossible to have humans inspect the printed paper for such a big amount of possible quality defects at the high-speeds the printouts are produced. Printing industry is not taking advantage of the Artificial Intelligence to detect defects in printed paper at speed without human intervention. It is possible to generate millions of images (captures) with printed content from a printing system every day. Most of these images will not have any defect but some other will and can be used to generate a data set to be used in a machine learning system. The intention of this research work is to find ways artificial intelligence can help on automatically detecting defects on printed paper in a printing system and classifying them, without human intervention. Focusing on scratches, I've explored what are the actual proposals and solutions, and how machine learning can help improving them by using datasets with different techniques, implementing possible solutions and comparing the obtained results. La industria de la impresión está adoptando rápidamente las tecnologías digitales y los requisitos en términos de velocidad y calidad de impresión también son cada vez más exigentes. Existe una amplia gama de posibles defectos de calidad en el papel impreso. Esto hace imposible que los humanos inspeccionen el papel impreso para detectar una cantidad tan grande de posibles defectos de calidad a las altas velocidades a las que se producen las impresiones. La industria de la impresión no está aprovechando la Inteligencia Artificial para detectar defectos en el papel impreso a velocidad sin intervención humana. Es posible generar millones de imágenes (capturas) con contenido impreso desde un sistema de impresión cada día. La mayoría de estas imágenes no tendrán ningún defecto, pero otras sí y pueden ser utilizadas para generar un conjunto de datos que se utilizarán en un sistema de aprendizaje automático. La intención de este trabajo de investigación es encontrar formas en que la inteligencia artificial pueda ayudar a detectar automáticamente los defectos en el papel impreso en un sistema de impresión y clasificarlos, sin intervención humana. Centrándome en los arañazos, he explorado cuáles son las propuestas y soluciones actuales, y cómo el aprendizaje automático puede ayudar a mejorarlas utilizando conjuntos de datos con diferentes técnicas, implementando las posibles soluciones y comparando los resultados obtenidos. La indústria de la impressió està adoptant ràpidament les tecnologies digitals i els requisits en termes de velocitat i qualitat d'impressió també són cada vegada més exigents. Existeix una àmplia gamma de possibles defectes de qualitat en el paper imprès. Això fa impossible que els humans inspeccionin el paper imprès per a detectar una quantitat tan gran de possibles defectes de qualitat a les altes velocitats a les quals es produeixen les impressions. La indústria de la impressió no està aprofitant la Intel·ligència Artificial per a detectar defectes en el paper imprès a velocitat sense intervenció humana. És possible generar milions d'imatges (captures) amb contingut imprès des d'un sistema d'impressió cada dia. La majoria d'aquestes imatges no tindran cap defecte, però altres sí i poden ser utilitzades per a generar un conjunt de dades que s'utilitzaran en un sistema d'aprenentatge automàtic. La intenció d'aquest treball de recerca és trobar formes en què la intel·ligència artificial pugui ajudar a detectar automàticament els defectes en el paper imprès en un sistema d'impressió i classificar-los, sense intervenció humana. Centrant-me en les esgarrapades, he explorat quines són les propostes i solucions actuals, i com l'aprenentatge automàtic pot ajudar a millorar-les utilitzant conjunts de dades amb diferents tècniques, implementant les possibles solucions i comparant els resultats obtinguts.

El objetivo del TFM es desarrollar un modelo predictivo de machine learning basado en árboles de decisión cuya tarea sea clasificar un conjunto de peticiones HTTP en peticiones normales y anómalas. El TFM incluye un estudio del estado del arte sobre las aplicaciones en ciberseguridad del machine learning, la implementación con Python y Scikit-learn de un modelo clasificador basado en aprendizaje supervisado con árboles de decisión y el análisis de los resultados de aplicar dicho modelo sobre el dataset CSIC-2010. El modelo propuesto en este TFM consigue hasta un 100% de exactitud (accuracy) en la clasificación de las peticiones HTTP. The purpose of this Master thesis is to develop a decision tree based predictive machine learning model which main task is to classify a set of HTTP requests in normal and anomalous ones. The thesis includes a state-of-the-art survey on the main applications of the machine learning in the cybersecurity field, the implementation of the proposed decision tree classifier model with the Python language and the Scikit-learn library and the analysis of the results obtained on the application of the implemented model against the CSIC-2010 dataset. The proposed model in this thesis achieved a 100% of accuracy in classifying the HTTP requests. L'objectiu del TFM és desenvolupar un model predictiu de machine learning basat en arbres de decisió la tasca de la qual sigui classificar un conjunt de peticions HTTP en peticions normals i anòmales. El TFM inclou un estudi de l'estat de l'art sobre les aplicacions en ciberseguretat del machine learning, la implementació amb Python i Scikit-learn d'un model classificador basat en aprenentatge supervisat amb arbres de decisió i l'anàlisi dels resultats d'aplicar aquest model sobre el dataset CSIC-2010. El model proposat en aquest TFM aconsegueix fins a un 100% d'exactitud (accuracy) en la classificació de les peticions HTTP.

Les malalties minoritàries són un problema social que afecta a drets de caràcter humanitari bàsics com la igualtat social. La majoria de pacients que les pateixen estan desemparats per afrontar-les. Per lluitar contra elles, és necessari definir el suport a la investigació, el desenvolupament de medicaments, la creació de xarxes entre grups de pacients, per tal d'intensificar la lluita, la sensibilització i moltes altres accions socials organitzades. Amb l'objectiu de reduir l'impacte de les malalties rares en la vida de pacients i familiars, aquest treball caracteritza el contingut de les dades de Twitter captades al voltant del Dia Mundial de les Malalties Minoritàries de l'any 2020 per actuar en aquesta direcció. Aquesta caracterització de dades socials, es realitzarà des de 2 punts de vista, estructural i d'anàlisi de continguts. S'aplicaran tècniques d'aprenentatge automàtic no supervisat per tal de trobar les comunitats d'usuaris emergents existents en aquesta temàtica. Disposar de les comunitats d'usuaris ens permetrà donar veu i potenciar tots els aspectes que les uneix i disposar d'un criteri per la presa de decisions envers el seu grau d'atenció actual i el necessari en el futur. Un altre repte és l'estructuració de mesures pràctiques i recomanacions d'accions envers les conclusions de l'anàlisi orientades al suport als pacients i lluita contra les malalties minoritàries. Los enfermedades minoritarias son un problema social que afecta a derechos de carácter humanitario básicos como la igualdad social. La mayoría de pacientes que los sufren están desamparados para afrontar-los. Para luchar contra elles, es necesario definir el apoyo a la investigación, el desarrollo de medicamentos, la creación de redes entre grupos de pacientes, para intensificar la lucha, la sensibilización y otras muchas acciones sociales organizadas. Con el objetivo de reducir lo impacte de los enfermedades raras en la vida de pacientes y familiares, este trabajo caracteriza el contenido de los datos de Twitter captadas alrededor del Día Mundial de las Enfermedades Minoritarias del año 2020 para actuar en esta dirección. Esta caracterización de datos sociales, es realizará des de 2 puntos de vista, estructural y de análisis de contenidos. Se aplicaran técnicas de aprendizaje automático no supervisado para encontrar los comunidades de usuarios emergentes existentes en esta temática. Disponer de los comunidades de usuarios nos permitirá dar voz y potenciar todos los aspectos que los une y disponer de un criterio por la toma de decisiones hacia su grado de atención actual y el necesario en el futuro.Otro reto es la estructuración de mesures prácticas y recomendaciones de acciones hacia los conclusiones del análisis orientadas al apoyo a los pacientes y lucha contra los enfermedades minoritarias. Minority diseases are a social problem that affects basic humanitarian rights such as social equality. Most patients suffering from them are helpless to cope with them. To fight against them, it is necessary to define support for research, drug development, networking among patient groups, to intensify the fight, awareness raising and many other organized social actions. With the aim of reducing the impact of rare diseases on the lives of patients and families, this work characterizes the content of Twitter data captured around the World Rare Disease Day 2020 to act in this direction. This characterization of social data will be performed from 2 points of view, structural and content analysis. Unsupervised machine learning techniques will be applied to find existing emerging user communities on this topic. The availability of user communities will allow us to give voice and enhance all the aspects that unite them and to have a criterion for decision making towards their current level of attention and the necessary in the future. Another challenge is the structuring of practical measures and recommendations of actions towards the conclusions of the analysis oriented towards the support of patients and the fight against minority diseases.

Mediante la utilización de herramientas de procesamiento digital de imágenes, se pueden extraer descriptores cuantitativos de las células en la sangre periférica, que a través de técnicas de Machine Learning (M.L) y Deep Learning (D.L.) permite diferenciar de forma automática y objetiva los tipos de células. En este TFM se entrena mediante redes neuronales convolucionales (CNN) un sistema de detección y clasificación de células normales de la sangre que, al ingresar una imagen, detecta las células principales y luego permite recortar los leucocitos y clasificarlos según el tipo. Para conseguir una mayor eficiencia y superar las dificultades que se presentan en las tareas de detección y clasificación, sobre todo en la determinación de descriptores que son realizados de forma artesanal, se aborda el problema con el uso de las arquitecturas de redes neuronales convolucionales con lo cual estos descriptores se obtienen de forma automática. Para el desarrollo del clasificador se entrenó una red desde cero con un accuracy de 0.862 y un val_acuraccy de 0.858. También se entrenaron modelos como VGG16 y Mobile y se compararon los resultados. Se emplearon en ambos entrenamientos la arquitectura de Keras con Tensorflow como backend con las últimas versiones. Para el entrenamiento del detector se utilizó la arquitectura YOLO con la librería especializada ImageAI en detección de objetos y se ha obtenido un excelente desempeño. Estos desarrollos tienen diversas aplicaciones en los campos de la bioinformática, y pueden dar las bases para que luego con la aplicación de metodologías similares a las propuestas en este TFM, se entrenen CNN para identificación de patologías a partir de la clasificación y detección de células anormales en la sangre. Through the use of digital image processing tools, quantitative descriptors of cells in peripheral blood can be extracted, which, through Machine Learning (M.L.) and Deep Learning (D.L.) techniques, allow cell types to be automatically and objectively differentiated. In this TFM, a system of detection and classification of normal blood cells is trained through convolutional neural networks (CNN) which, when an image is entered, detects the main cells and then allows the leukocytes can be trimmed and classified according to the type. To achieve greater efficiency and overcome the difficulties that arise in the tasks of detection and classification, especially in the determination of descriptors that are made by hand, the problem is addressed with the use of convolutional neural network architectures with the which these descriptors are obtained automatically. For the development of the classifier a network was trained from scratch with an accuracy of 0.862 and a val_acuraccy of 0.858. Other models were reentrained with networks such as VGG16 and Mobile and the results were compared. The latest versions of Keras architecture with Tensorflow as backend was used in both trainings. For the training of the detector, the YOLO architecture was used with the specialized ImageAI library in object detection and excellent performance has been obtained. These developments have various applications in the fields of bioinformatics, and might provide the basis for the application of methodologies similar to those proposed in this TFM, so CNN could be trained to identify pathologies from the classification and detection of abnormal blood cells. Mitjançant la utilització d'eines de processament digital d'imatges, es poden extreure descriptors quantitatius de les cèl·lules en la sang perifèrica, que a través de tècniques de Machine Learning (M.L) i Deep Learning (D.L.) permet diferenciar de manera automàtica i objectiva els tipus de cèl·lules. En aquest TFM s'entrena mitjançant xarxes neuronals convolucionals (CNN) un sistema de detecció i classificació de cèl·lules normals de la sang que, en ingressar una imatge, detecta les cèl·lules principals i després permet retallar els leucòcits i classificar-los segons el tipus. Per a aconseguir una major eficiència i superar les dificultats que es presenten en les tasques de detecció i classificació, sobretot en la determinació de descriptors que són realitzats de manera artesanal, s'aborda el problema amb l'ús de les arquitectures de xarxes neuronals convolucionals amb la qual cosa aquests descriptors s'obtenen de manera automàtica. Per al desenvolupament del classificador es va entrenar una xarxa des de zero amb un accuracy de 0.862 i un val_acuraccy de 0.858. També es van entrenar models com VGG16 i Mobile i es van comparar els resultats. Es van emprar en tots dos entrenaments l'arquitectura de Keras amb Tensorflow com backend amb les últimes versions. Per a l'entrenament del detector es va utilitzar l'arquitectura YOLO amb la llibreria especialitzada ImageAI en detecció d'objectes i s'ha obtingut un excel·lent acompliment. Aquests desenvolupaments tenen diverses aplicacions en els camps de la bioinformàtica, i poden donar les bases perquè després amb l'aplicació de metodologies similars a les propostes en aquest TFM, s'entrenin CNN per a identificació de patologies a partir de la classificació i detecció de cèl·lules anormals en la sang.

El ensayo se orienta al análisis del Micro-learning, una nueva forma de enseñanza-aprendizaje (E-A) en línea, que se origina a partir de cambios sociales, laborales, culturales, educativos y principalmente, de la constante innovación tecnológica que se manifiesta en los dispositivos portátiles existentes, el uso de medios y redes sociales y el acceso casi permanente de los usuarios a la web 2.0. L'assaig s'orienta a l'anàlisi del Micro-learning, una nova forma d'ensenyament-aprenentatge (E-A) en línia, que s'origina a partir de canvis socials, laborals, culturals, educatius i principalment, de la constant innovació tecnològica que es manifesta en els dispositius portàtils existents, l'ús de mitjans i xarxes socials i l'accés gairebé permanent dels usuaris a la web 2.0. The essay is oriented to the analysis of Micro-learning, a new form of online teaching-learning (E-A), which originates from social, labor, cultural, educational changes and mainly, from the constant technological innovation that manifests itself in the existing portable devices, the use of social media and networks and the almost permanent access of the users to the web 2.0.

Machine learning has become more and more popular in recent years. This popularization has been stimulated by multiple factors: large and affordable computational power, new powerful algorithms, new tools that make it easy to use machine learning algorithms, availability of big data to train the models, etc. Many disciplines have experienced significant changes thanks to its adoption. The fuzzing field has not been an exception. Many researchers have proposed applying machine learning algorithms to the various stages of the fuzzing process. Most studies seem to have brought improvements to the task, however it is not always clear at what cost. Moreover, the reasons behind the selection of one algorithm instead of another are not clear in much of the published literature. This master thesis not only presents the benefits and disadvantages of using various machine learning algorithms in each fuzzing stage, but also identifies new promising paths that researchers should take. El aprendizaje automático se ha hecho cada vez más popular en los últimos años. Esta popularización se ha visto estimulada por múltiples factores: una potencia de cálculo grande y asequible, nuevos y potentes algoritmos, nuevas herramientas que facilitan el uso de los algoritmos de aprendizaje automático, disponibilidad de big data para entrenar los modelos, etc. Muchas disciplinas han experimentado cambios significativos gracias a su adopción. El campo del fuzzing no ha sido una excepción. Muchos investigadores han propuesto aplicar algoritmos de aprendizaje automático a las distintas etapas del proceso de fuzzing. La mayoría de los estudios parecen haber aportado mejoras a la tarea, aunque no siempre está claro a qué precio. Además, las razones que justifican la selección de un algoritmo en lugar de otro no están claras en gran parte de la literatura publicada. Esta tesis de máster no sólo presenta los beneficios y desventajas de utilizar varios algoritmos de aprendizaje automático en cada etapa del fuzzing, sino que también identifica nuevos caminos prometedores que los investigadores deberían tomar. L'aprenentatge automàtic s'ha fet cada vegada més popular en els últims anys. Aquesta popularització s'ha vist estimulada per múltiples factors: una potència de càlcul gran i assequible, nous i potents algorismes, noves eines que faciliten l'ús dels algorismes d'aprenentatge automàtic, disponibilitat de big data per a entrenar els models, etc. Moltes disciplines han experimentat canvis significatius gràcies a la seva adopció. El camp del fuzzing no ha estat una excepció. Molts investigadors han proposat aplicar algorismes d'aprenentatge automàtic a les diferents etapes del procés de fuzzing. La majoria dels estudis semblen haver aportat millores a la tasca, encara que no sempre és clar a quin preu. A més, les raons que justifiquen la selecció d'un algorisme en lloc d'un altre no són clares en gran part de la literatura publicada. Aquesta tesi de màster no sols presenta els beneficis i desavantatges d'utilitzar diversos algorismes d'aprenentatge automàtic en cada etapa del fuzzing, sinó que també identifica nous camins prometedors que els investigadors haurien de prendre.

El conjunto de datos National Health and Nutrition Examination Survey (NHANES) facilitado por el Centro de Control de enfermedades y Prevención (CDC) supone una oportunidad única para llevar a cabo investigaciones y análisis que puedan ayudar en la mejora de la salud de las personas. En este trabajo se propone el uso de técnicas de aprendizaje no supervisado aplicado sobre los datos NHANES con el objetivo de detectar patrones que permitan perfilar a los pacientes en base a sus similitudes encontrando grupos (clústeres) naturales para estos. En concreto el trabajo se centra en el uso de métodos de agrupamiento basados en densidad y métodos jerárquicos. A su vez se crea una interfaz web que permite la clasificación de los pacientes en los diferentes clústeres que se generen. Para el desarrollo del trabajo se sigue la metodología Cross Industry Standard Process for Data Mining (CRISP-DM) ampliamente adoptada para proyectos de minería de datos que proporciona la descripción del ciclo de vida donde se definen las tareas necesarias para cada fase. El conjunt de dades National Health and Nutrition Examination Survey (NHANES) facilitat pel Centre de Control de malalties i Prevenció (CDC) suposa una oportunitat única per a dur a terme recerques i anàlisis que puguin ajudar en la millora de la salut de les persones. En aquest treball es proposa l'ús de tècniques d'aprenentatge no supervisat aplicat sobre les dades NHANES amb l'objectiu de detectar patrons que permetin perfilar als pacients sobre la base de les seves similituds trobant grups (clústers) naturals per a aquests. En concret el treball se centra en l'ús de mètodes d'agrupament basats en densitat i mètodes jeràrquics. Al seu torn es crea una interfície web que permet la classificació dels pacients en els diferents clústers que es generin. Per al desenvolupament del treball se segueix la metodologia Cross Industry Standard Process for Data Mining (CRISP-DM) àmpliament adoptada per a projectes de mineria de dades que proporciona la descripció del cicle de vida on es defineixen les tasques necessàries per a cada fase. The National Survey of Health and Nutrition Survey (NHANES) data set provided by the Center for Disease Control and Prevention (CDC) is a unique opportunity to conduct research and analysis that can help improve the health of people. This paper proposes the use of unsupervised learning techniques applied to NHANES data in order to detect patterns that adapt to patients based on their similarities by finding natural groups (clusters) for them. Specifically, the work focuses on the use of methods of grouping methods in density and hierarchical methods. In addition, a web interface is created that allows the classification of patients in the different clusters that are generated. For the development of the work, the Cross Industry Standard Process for Data Mining (CRISP-DM) methodology is followed, which is widely adopted for data mining projects that describe the life cycle where the necessary tasks are defined for each phase.

En este proyecto se experimentó con algoritmos de aprendizaje por refuerzo jugando Donkey Kong, Ice Climber, Kung Fu, Super Mario Bros y Metroid de la consola NES. El algoritmo DQN y sus variantes como Doble DQN y Dueling DQN fueron usados para experimentar con la representación de estados mediante la RAM. Se proponen algunas estrategias para reducir la dimensionalidad de los estados y las acciones. También se proponen funciones de recompensa para crear un agente fácil de entrenar con pocos recursos computacionales. Se probaron dos maneras de reducir la dimensión de la RAM, el mapa de la RAM funcionó bien sólo en fase de entrenamiento mientras que el método de los bytes activados consiguió mejores resultados. In this project, reinforcement learning algorithms are explored to play the games Donkey Kong, Ice Climber, Kung Fu, Super Mario Bros, and Metroid from the NES console. The Deep-Q learning algorithm is used to experiment with the RAM representation of the state. DQN algorithm extensions as Double DQN and Dueling Network Architectures are explored too. Some simple strategies to reduce the state-space and action-space are proposed in addition to reward functions to create an easy to train agent with low computational resources. Two ways to reduce the RAM representation of the state were tested, RAM map method worked well just in the training phase meanwhile the activated bytes method get better results also in gameplay. En aquest projecte es va experimentar amb algorismes d'aprenentatge per reforç jugant Donkey Kong, Hissi Climber, Kung Fu, Super Mario Bros i Metroid de la consola NES. L'algorisme DQN i les seves variants com a Doble DQN i Dueling DQN van ser usats per a experimentar amb la representació d'estats mitjançant la RAM. Es proposen algunes estratègies per a reduir la dimensionalitat dels estats i les accions. També es proposen funcions de recompensa per a crear un agent fàcil d'entrenar amb pocs recursos computacionals. Es van provar dues maneres de reduir la dimensió de la RAM, el mapa de la RAM va funcionar bé només en fase d'entrenament mentre que el mètode dels bytes activats va aconseguir millors resultats.

Today, there are more than 1,500 traded cryptocurrencies with a combined market capitalization exceeding 800$ billions. These numbers are still growing as well as the interest of some investor in this market. Cryptocurrencies were rst devised as a payment method, but the large uctuations in the price led to their use as an alternative to the traditional stock market. As with other nancial assets, cryptocurrencies have also captured the attention of the research community. In current literature we can nd many works facing the problem of cryptocurrencies price prediction. Most of them are regression models, market simulations to calculate ROI, or classi cation models to predict the sign of future change. However, anticipating this market is not an easy task and the results obtained still have a high degree of uncertainty. This study contributes to the current literature by analyzing the Ethereum transactions as a complex network. Next, we evaluate its predictive power on Ethereum future price by deploying two predictive models. The rst one considers a set of features that performed well in current literature, such as price of the previous days, technical indicators and volume of tweets mentioning Ethereum. The second model considers the features of the rst model together with the properties computed from the transaction network. We found an increment in the accuracy when considering the properties of the transaction network. In addition, three network's properties appear in the top 11 of most important features in the nal model. We conclude that the properties computed from the transaction network provide additional information that does not exist in the current literature variables. Hoy en día, hay más de 1.500 criptodivisas negociadas con una capitalización de mercado combinada que supera los 800 mil millones de dólares. Estas cifras siguen creciendo, así como el interés de algunos inversores en este mercado. Las criptodivisas fueron concebidas por primera vez como un método de pago, pero las grandes fluctuaciones del precio llevaron a su utilización como alternativa al mercado de valores tradicional. Al igual que con otros activos financieros, las criptodivisas también han captado la atención de la comunidad investigadora. En la literatura actual podemos encontrar muchos trabajos que se enfrentan al problema de las cripto-monedas. La mayoría son modelos de regresión, simulaciones de mercado para calcular el retorno de la inversión, o modelos de clasificación para predecir el signo del cambio futuro. Sin embargo, anticipar este mercado no es una tarea fácil y los resultados obtenidos todavía tienen un alto grado de incertidumbre. El estudio contribuye a la literatura actual analizando las transacciones del Ethereum como una red compleja. A continuación, evaluamos su poder de predicción sobre el precio futuro del Ethereum desplegando dos modelos predictivos. El primero considera un conjunto de características que funcionaron bien en las actuaidad, como el precio de los días anteriores, los indicadores técnicos y el volumen de tweets que mencionan el Ethereum . El segundo modelo considera las características del modelo junto con las propiedades calculadas a partir de la red de transacciones. Encontramos un incremento en la precisión al considerar las propiedades de la red de transacciones. Además, tres propiedades de la red aparecen entre las 11 características más importantes del modelo. Concluimos que las propiedades computadas de la red de transacciones proporcionan información adicional que no existe en las variables de la literatura actual. Traducción realizada con la versión gratuita del traductor www.DeepL.com/Translator Avui dia, hi ha més de 1.500 criptodivisas negociades amb una capitalització de mercat combinada que supera els 800 mil milions de dòlars. Aquestes xifres continuen creixent, així com l'interès d'alguns inversors en aquest mercat. Les criptodivisas van ser concebudes per primera vegada com un mètode de pagament, però les grans fluctuacions del preu van portar a la seva utilització com a alternativa al mercat de valors tradicional. Igual que amb altres actius financers, les criptodivisas també han captat l'atenció de la comunitat investigadora. En la literatura actual podem trobar molts treballs que s'enfronten al problema de les cripto-monedes. La majoria són models de regressió, simulacions de mercat per a calcular el retorn de la inversió, o models de classificació per a predir el signe del canvi futur. No obstant això, anticipar aquest mercat no és una tasca fàcil i els resultats obtinguts encara tenen un alt grau d'incertesa. L'estudi contribueix a la literatura actual analitzant les transaccions del Ethereum com una xarxa complexa. A continuació, avaluem el seu poder de predicció sobre el preu futur del Ethereum desplegant dos models predictius. El primer considera un conjunt de característiques que van funcionar bé en les actualitat, com el preu dels dies anteriors, els indicadors tècnics i el volum de tuits que esmenten el Ethereum . El segon model considera les característiques del model juntament amb les propietats calculades a partir de la xarxa de transaccions. Trobem un increment en la precisió en considerar les propietats de la xarxa de transaccions. A més, tres propietats de la xarxa apareixen entre les 11 característiques més importants del model. Concloem que les propietats computades de la xarxa de transaccions proporcionen informació addicional que no existeix en les variables de la literatura actual.

La calidad del aire y el efecto perjudicial que una mala calidad del aire tiene en la salud de las personas está cobrando mucha relevancia. Por ello muchas ciudades y regiones tienen instalados sistemas de medición de los diferentes elementos contaminantes presentes en el aire. Dichas mediciones se utilizan para activar los diferentes protocolos anticontaminación que dichas regiones tienen establecidos. Dado que se tienen estos datos de las concentraciones, es posible implementar técnicas de minería de datos con el objetivo de generar modelos predictivos. Estos han de ser capaces de predecir las concentraciones con cierta antelación para poder aplicar los protocolos o las medidas preventivas oportunas para evitar un episodio de alta contaminación. El objetivo de este trabajo de final de máster es generar una serie de modelos predictivos mediante datos de acceso abierto con el objetivo de poder predecir las concentraciones de los diferentes elementos contaminantes en Galicia usando las siguientes técnicas de minería de datos: SVR, MLP y LSTM. Además, se ha querido estudiar cómo afecta a la calidad de las predicciones el intentar realizar predicciones con un mayor número de días de antelación para ver el máximo de días de anticipación posible para los cuales las predicciones realizadas se pueden considerar útiles. Asimismo se ha querido estudiar si era posible generar un modelo general para la comunidad autónoma de Galicia empleando sólo los datos de las concentraciones de algunas de sus ciudades. La qualitat de l'aire i l'efecte perjudicial que una mala qualitat de l'aire té en la salut de les persones està cobrant molta rellevància. Per això moltes ciutats i regions tenen instal·lats sistemes de mesurament dels diferents elements contaminants presents en l'aire. Aquestes mesures s'utilitzen per activar els diferents protocols anticontaminació que aquestes regions tenen establerts. Atès que es tenen aquestes dades de les concentracions, és possible implementar tècniques de mineria de dades amb l'objectiu de generar models predictius. Aquests han de ser capaços de predir les concentracions amb certa antelació per poder aplicar els protocols o les mesures preventives oportunes per evitar un episodi d'alta contaminació. L'objectiu d'aquest treball de final de màster és generar una sèrie de models predictius mitjançant dades d'accés obert amb l'objectiu de poder predir les concentracions dels diferents elements contaminants a Galícia usant les següents tècniques de mineria de dades: SVR, MLP i LSTM. A més, s'ha volgut estudiar com afecta la qualitat de les prediccions intentant realitzar prediccions amb un major nombre de dies d'antelació per veure el màxim de dies d'anticipació possible per als quals les prediccions realitzades es poden considerar útils. Així mateix s'ha volgut estudiar si és possible generar un model general per a la comunitat autònoma de Galícia emprant només les dades de les concentracions d'algunes de les seves ciutats. The air quality and the harmful effect that a bad quality of the air has on human health is a topic which is getting more and more relevance. Due to this, lots of cities and regions have measurement systems of the different pollutant elements which are present in the air. These measurements are used to active the different anti-pollutant protocols that these regions have established. Due to the fact that the data about the different elements is accessible, it is possible to implement data mining techniques in order to create predictive models. These models must be able to predict concentrations of each element with sufficient anticipation in order to be able to active the anti-pollutant protocols or to apply the corrective measures to avoid high pollutant scenarios. The aim of this work is the generation of some predictive models using open data in order to predict the different concentrations of the pollutant elements in Galicia using the next data mining techniques: SVR, MLP and LSTM. Moreover, in this work has also been studied the effect on the predictions when the models tries to predict the concentrations with a higher number of days of anticipation in order to see the maximum number of days in advance which is possible to produce predictions with enough quality to be useful. Furthermore, it has been tried to generate a unified model for Galicia using only the data of some of its cities.

La osteoartritis (OA) es una enfermedad común a nivel mundial, que afecta especialmente a los adultos mayores, causando incapacidad física y un impacto en la calidad de vida. En el proceso de diagnóstico de la OA un médico especialista emplea imágenes médicas para diagnosticar su grado de avance a partir del análisis fisiopatológico de la enfermedad. Hoy en día, esta compleja tarea de diagnóstico es un campo de investigación para el aprendizaje automático (ML) y su forma de aprendizaje supervisada. En este Trabajo se presenta el desarrollo de clasificadores de ML para la clasificación de OA de rodilla, según la escala de severidad de Kellgren-Lawrence. Para el desarrollo de los clasificadores se estudiaron distintas redes neuronales convolucionales (CNN): VGG16, InceptionV3, Xception, MobileNet y DenseNet121 en base a imágenes de resonancia magnética (MRI) de pacientes, obtenidas desde la base datos Iniciativa de Osteoartritis (OAI). El enfoque del Trabajo combina dos métodos de aprendizaje por transferencia: modelos de clasificación a partir de CNN pre-entrenadas; y modelos de clasificación de máquinas de vector de soporte (SVM) en base a características extraídas desde CNN pre-entrenadas y la técnica de análisis de componentes principales (PCA). Además, a fin de incrementar la exactitud de predicción de los modelos entrenados para la clasificación de OA, se estudió un método de ensamble: la técnica de mayoría de votos. Finalmente, los resultados obtenidos del experimento demuestran que el método de ensamble es capaz de aumentar la exactitud de predicción desde 55.3% a un 60.6% en la clasificación de OA. Osteoarthritis (OA) is a common disease worldwide, which especially affects older adults, causing physical disability and an impact on quality of life. In the process of diagnosing OA, a specialist doctor uses medical images to diagnose its degree of progress based on the pathophysiological analysis of the disease. Today, this complex diagnostic task is a research field for machine learning (ML) and its form of supervised learning. This Work presents the development of ML classifiers for the classification of knee OA, according to the Kellgren-Lawrence severity scale. For the development of the classifiers, different convolutional neural networks (CNN) were studied: VGG16, InceptionV3, Xception, MobileNet and DenseNet121 based on magnetic resonance images (MRI) of patients, obtained from the Osteoarthritis Initiative (OAI) database. The Work approach combines two transfer learning methods: classification models from pre-trained CNNs; and support vector machine (SVM) classification models based on features extracted from pre-trained CNNs and the principal component analysis (PCA) technique. Furthermore, in order to increase the prediction accuracy of the trained models for OA classification, an assembly method was studied: the majority vote technique. Finally, the results obtained from the experiment show that the assembly method is capable of increasing the prediction accuracy from 55.3% to 60.6% in the OA classification. La osteoartritis (OA) és una malaltia comuna a nivell mundial, que afecta especialment els adults majors, causant incapacitat física i un impacte en la qualitat de vida. En el procés de diagnòstic de la OA un metge especialista empra imatges mèdiques per a diagnosticar el seu grau d'avanç a partir de l'anàlisi fisiopatològica de la malaltia. Avui dia, aquesta complexa tasca de diagnòstic és un camp de recerca per a l'aprenentatge automàtic (ML) i la seva forma d'aprenentatge supervisada. En aquest Treball es presenta el desenvolupament de classificadors de ML per a la classificació de OA de genoll, segons l'escala de severitat de Kellgren-Lawrence. Per al desenvolupament dels classificadors es van estudiar diferents xarxes neuronals convolucionals (CNN): VGG16, InceptionV3, Xception, MobileNet i DenseNet121 sobre la base d'imatges de ressonància magnètica (MRI) de pacients, obtingudes des de la base dades Iniciativa de Osteoartritis (OAI). L'enfocament del Treball combina dos mètodes d'aprenentatge per transferència: models de classificació a partir de CNN pre-entrenades; i models de classificació de màquines de vector de suport (SVM) sobre la base de característiques extretes des de CNN pre-entrenades i la tècnica d'anàlisi de components principals (PCA). A més, a fi d'incrementar l'exactitud de predicció dels models entrenats per a la classificació de OA, es va estudiar un mètode d'assembli: la tècnica de majoria de vots. Finalment, els resultats obtinguts de l'experiment demostren que el mètode d'assembli és capaç d'augmentar l'exactitud de predicció des de 55.3% a un 60.6% en la classificació de OA.

El cambio climático es un tema de actualidad y la polución se encuentra estrechamente relacionada impactando directamente en la calidad del aire. Ello puede causar graves consecuencias en la salud humana y en el medio ambiente. Para ayudar a disminuir el impacto de la polución, se han establecidos normas legales que obligan en mayor o menor medida a los agentes contaminantes a minimizar su impacto. Para ello se han establecido punto de mediciones que permiten obtener de una manera constante los diferentes índices que establecen la calidad del aire. Estas mediciones junto con el histórico meteorológico e histórico de días festivos que podemos obtener de datos abiertos nos permiten generar modelos predictivos que sean capaces de predecir con varios días de anticipación cómo va a evolucionar la calidad de aire, permitiendo que los agentes institucionales puedan actuar en consecuencia. El objetivo de este trabajo de fin de máster es obtener un modelo predictivo que permita de una manera fiable y precisa conocer la evolución de la calidad del aire con varios días de anticipación, y que de esta manera permita a las instituciones pública actuar en consecuencia con suficiente antelación. Para ello se aplicarán diferentes técnicas y algoritmos de minería de datos (RNN, LSTM, GRU) a los datos abiertos ofrecidos por instituciones públicas. Un objetivo secundario de este trabajo es obtener predicciones específicas por área de la ciudad, haciendo uso de las localizaciones de los puntos de medición y permitiendo si cabe realizar predicciones más precisas por área. Climate change is ever more topical issue and the pollution is closely linked, impacting in a direct way into the air quality. It may cause serious consequences on human health and natural environment. To help to reduce the effects of pollution, there are been established appropriate policy to solve it that forcing pollutants to minimize their impacts in different levels of forcefulness. Considering that, it has been established measuring monitoring stations that may obtain in a constant way a variety of indexes that can be established the air quality. This measurements together with weather history and non-working days history, that can be obtain in open data sources, let us to develop prediction models able to predict the evolution of air quality a few days in advance, and it may allow to institutional agents act accordingly. The aim of this master's degrees final project is obtain a predictive model good enough to be used to predict the air quality forecast a few days in advance in a reliable and accurate way, and in this way public institutions will able to act with enough time in advance. For this purpose, it will apply different techniques and data mining algorithms (RNN, LSTM, and GRU) to the open data offered by the public institutions. A secondary objective will be to obtain specific predictions by area of the city, making use of measurement point location information and be able to make predictions more accurate by area indeed. El canvi climàtic és un tema d'actualitat i la pol·lució es troba estretament relacionada impactant directament en la qualitat de l'aire. Això pot causar greus conseqüències en la salut humana i en el medi ambient. Per a ajudar a disminuir l'impacte de la pol·lució, s'han establerts normes legals que obliguen en major o menor mesura als agents contaminants a minimitzar el seu impacte. Per a això s'han establert punt de mesuraments que permeten obtenir d'una manera constant els diferents índexs que estableixen la qualitat de l'aire. Aquests mesuraments juntament amb l'històric meteorològic i històric de dies festius que podem obtenir de dades obertes ens permeten generar models predictius que siguin capaços de predir amb diversos dies d'anticipació com evolucionarà la qualitat d'aire, permetent que els agents institucionals puguin actuar en conseqüència. L'objectiu d'aquest treball de fi de màster és obtenir un model predictiu que permeti d'una manera fiable i requereix conèixer l'evolució de la qualitat de l'aire amb diversos dies d'anticipació, i que d'aquesta manera permeti a les institucions pública actuar en conseqüència amb suficient antelació. Per a això s'aplicaran diferents tècniques i algorismes de mineria de dades (RNN, LSTM, GRU) a les dades obertes ofertes per institucions públiques. Un objectiu secundari d'aquest treball és obtenir prediccions específiques per àrea de la ciutat, fent ús de les localitzacions dels punts de mesurament i permetent si cal realitzar prediccions més precises per àrea.

Diseño de un sistema basado en 'deep learnig' capaz de clasificar señales de encefalogramas (EEG) correspondientes a personas que sufren de epilepsia. Tras entrenar el programa, permitiría discriminar entre señales focales (con epilepsia) de las no-focales (sanos). Se analizan también métodos de extracción de características de la señal para aplicar algoritmos de 'machine learning' obteniendo una buena precisión en la clasificación. Disseny d'un sistema basat en 'deep learning' capaç de classificar senyals d'encefalogrames (EEG) corresponents a persones que pateixen d'epilèpsia. Després d'entrenar el programa, aquest permet discriminar entre senyals focals (amb epilèpsia) de les no-focals (sans). S'analitzen també mètodes d'extracció de característiques del senyal per aplicar algoritmes de 'machine learning' obtenint una bona precisió en la classificació. Design of a system based on 'deep learnig' capable of classifying encephalogram (EEG) signals corresponding to people suffering from epilepsy. After training the program, it would allow discrimination between focal signals (with epilepsy) from non-focal (healthy) signals. Methods of extracting signal characteristics are also analyzed to apply 'machine learning' algorithms obtaining good classification accuracy.

El análisis de sentimientos en textos permite a corporaciones o partidos políticos conocer si el posicionamiento de un usuario o votante es positivo, neutral o negativo. No obstante, el contenido que se comparte en los diferentes medios de comunicación cada vez es más multimedia y menos textual, es por ello que ha empezado a tomar relevancia esta vertiente de análisis de sentimientos, esta vez en imágenes. En este trabajo se estudia el contexto actual, donde se han quedado los últimos artículos científicos y se define una red neuronal convolucional para el análisis de sentimientos en dos datasets diferentes. L'anàlisi de sentiments en textos permet a corporacions o partits polítics conèixer si el posicionament d'un usuari o votant és positiu, neutral o negatiu. No obstant això, el contingut que es comparteix en els diferents mitjans de comunicació cada vegada és més multimèdia i menys textual, és per això que ha començat a prendre rellevància aquest vessant d'anàlisi de sentiments, aquest cop en imatges. En aquest treball s'estudia el context actual, on s'han quedat els últims articles científics i es defineix una xarxa neuronal convolucional per a l'anàlisi de sentiments en dos datasets diferents. The analysis of feelings in texts allows corporations or political parties to know if the positioning of a user or voter is positive, neutral or negative. However, the content that is shared in the different media is increasingly more multimedia and less textual, which is why this aspect of feeling analysis has begun to take relevance, this time in images. In this paper the current context is studied, where the last scientific articles have remained and a convolutional neural network is defined for the analysis of feelings in two different datasets.

El propósito del proyecto es el desarrollo de un sistema de Aprendizaje Automático que permita realizar predicciones de consumo de suministros eléctricos. También debe permitir la detección de errores de datos de series temporales de consumo para su posterior análisis y corrección. Todo ello tomando como datos de entrenamiento el histórico de series temporales de cada uno de los suministros eléctricos proporcionados por las comercializadoras. El propòsit d'el projecte és el desenvolupament d'un sistema d'Aprenentatge Automàtic que permeti realitzar prediccions de consum de subministraments elèctrics. També ha de permetre la detecció d'errors de dades de sèries temporals de consum per a la seva posterior anàlisi i correcció. Tot això prenent com a dades d'entrenament l'històric de sèries temporals de cada un dels subministraments elèctrics proporcionats per les comercialitzadores. The purpose of the project is the development of a Machine Learning system that allows predictions of consumption of electrical supplies. It also allows the detection of errors in the data of time series of consumption for later analysis and correction. All this taking as training data the historical time series of each of the supplies provided by the electrical companies.

En los últimos años estamos viviendo un nuevo 'boom' del póker online. Y no es de extrañar puesto que sus normas son fáciles de aprender y su dinámica sencilla. Detrás de esta aparente sencillez se encuentra uno de los juegos más duros de la teoría de juegos. El póker online es un juego de suma cero, estocástico, continuo, que usa información imperfecta y que puede incluir hasta 10 jugadores simultáneos independientes jugando más de 100 manos por hora. La tendencia de los jugadores profesionales de póker es utilizar herramientas basadas en la teoría de juegos para el entrenamiento, calculando el resultado de miles de combinaciones de movimientos por segundo. Sin embargo, debido a la potencia de cálculo requerida, su uso es necesariamente para el estudio de situaciones teóricas o pasadas, nunca situaciones presentes. Además, éstas herramientas dejan de lado una parte del análisis de la que se puede extraer valor. Se trata del análisis de patrones de comportamiento de los jugadores. Para dicha extracción de este tipo de conocimiento, este Trabajo de Fin de Máster estudia y analiza un dataset de manos de póker online. Durante el análisis se extrae conocimiento de todo tipo. Tanto conocimiento que los jugadores profesionales conocen perfectamente, describiéndolo numéricamente, como el impacto de la posición en las posibilidades de éxito, como conocimiento detallado que exige un estudio minucioso, como las sutiles diferencias entre líneas de juego. En el presente Trabajo de Fin de Máster se demuestra, en definitiva, que se pueden usar herramientas de Deep Learning para analizar logs de Poker Texas Hold'em online para extraer conocimiento y analizar el comportamiento de los jugadores. In recent years we are assisting to a new 'boom' of online poker. And it is not surprising since its rules are easy to learn and its dynamics simple. Beyond this simplicity it is hidden one of the toughest games in game theory. Poker online is a zero-sum, stochastic, continuous game that uses imperfect information involving up to 10 independent simultaneous players dealt around 100 hands per hour. Poker professionals use training applications based in game theory, able to calculate thousands of move combinations per second. However, due to the performance required, its use is restricted to study theorical or past hands, never online. In addition, these tools lack a part of the analysis where extra value can be extracted. Analysis on player behaviour patterns. This Master Thesis studies and analyzes a dataset of online poker hands in order to extract this kind of hidden knowledge. During the analysis an huge variety of knowledge is extracted. From knowledge that professional poker players handle perfectly, like the impact of the position in success rate, to detailed knowledge that implies deep study, like the subtle differences between betting lines. In the present Master Thesis demostrates that is possible to use Deep Learning tools can be used to analyze Texas Hold'em online Poker logs to extract knowledge and analyze the behavior of players. En els últims anys estem vivint un nou 'boom' del pòquer en línia. I no és d'estranyar, ja que les seves normes són fàcils d'aprendre i la seva dinàmica senzilla. Darrere d'aquesta aparent senzillesa es troba un dels jocs més durs de la teoria de jocs. El pòquer en línia és un joc de suma zero, estocàstic, continu, que fa servir informació imperfecta i que pot incloure fins a 10 jugadors simultanis independents jugant més de 100 mans per hora. La tendència dels jugadors professionals de pòquer és utilitzar eines basades en la teoria de jocs per a l'entrenament, calculant el resultat de milers de combinacions de moviments per segon. No obstant això, a causa de la potència de càlcul requerida, el seu ús és necessàriament per a l'estudi de situacions teòriques o passades, mai situacions presents. A més, aquestes eines deixen de banda una part de l'anàlisi de la qual es pot extreure valor. Es tracta de l'anàlisi de patrons de comportament dels jugadors. Per a aquesta extracció d'aquest tipus de coneixement, aquest treball estudia i analitza un dataset de mans de pòquer en línia. Durant l'anàlisi s'extreu coneixement de tota mena. Tant coneixement que els jugadors professionals coneixen perfectament, descrivint-numèricament, com l'impacte de la posició en les possibilitats d'èxit, com a coneixement detallat que exigeix un estudi minuciós, com les subtils diferències entre línies de joc. En el present Treball de Fi de Màster es demostra, en definitiva, que es poden usar eines Deep Learning per analitzar logs de Poker Texas Hold'em en línia per extreure coneixement i analitzar el comportament dels jugadors.

En el momento actual desde el sector industrial y tecnológico se habla de la cuarta revolución industrial. Un nuevo paradigma en donde las fábricas del futuro serán automatizadas, digitales, inteligentes, flexibles, sostenibles y más humanas. Un punto importante será el de predecir los posibles errores y fallas que se puedan encontrar a lo largo de todo el proceso de producción, desde la recepción de las materias primas hasta el producto acabado. La tendencia es que el proceso se llegue automatizar en su totalidad, en donde ni el componente humano tenga un papel supervisor. Serán los propios dispositivos, autómatas, controlados por una IA capaz de predecir los errores y mantener la producción en niveles de excelencia. Pero antes, para llegar hasta ese punto, se debe comprender e identificar el porqué de algunos errores en el proceso de fabricación, con tal de evitarlos y mejorar la calidad del producto final. La creación de un modelo de clasificación nos ayudará a optimizar el rendimiento de las máquinas y es el primer paso para un mantenimiento predictivo que evite futuros fallos. Actualment, en el sector industrial i tecnològic es parla de la quarta revolució industrial. Un nou paradigma on les fàbriques del futur seran automatitzades, digitals, intel·ligents, flexibles, sostenibles i més humanes. Un punt important serà el de predir els possibles errors i falles que es puguin trobar al llarg de tot el procés de producció, des de la recepció de les matèries primeres fins al producte acabat. La tendència és que el procés s'arribi automatitzar totalment, on ni el component humà tingui un paper supervisor. Seran els mateixos dispositius, autòmats, controlats per una IA els capaços de predir els errors i mantenir la producció a nivells d'excel·lència. Però abans, per arribar fins a aquest punt, s'ha de comprendre i identificar el perquè d'alguns errors en el procés de fabricació, per tal d'evitar-los i millorar la qualitat del producte final. La creació d'un model de classificació ens ajudarà a optimitzar el rendiment de les màquines i serà el primer pas per a un manteniment predictiu que eviti futurs errors. At the moment, in the industrial and technological sector it is spoken of the fourth industrial revolution. A new paradigm where the factories of the future will be automated, digital, intelligent, flexible, sustainable and more human. An important point will be to predict possible errors and faults that can be found throughout the entire production process, from the reception of raw materials to the finished product. The tendency is that the process can be fully automated, where neither the human component has a supervisory role. They will be the same devices, automata, controlled by an IA capable of predicting errors and maintaining production at levels of excellence. But first, to reach this point, one must understand and identify the reason for some errors in the manufacturing process, in order to avoid them and improve the quality of the final product. Creating a classification model will help us optimize the performance of the machines and will be the first step for predictive maintenance to avoid future failures.

The goal of the project is to design and implement a powered wheelchair control system using electrooculographic signals. The system aims to help people with reduced mobility to control the mentioned wheelchair using eye movements, enabling them to take advantage of the mobility and autonomy advantages that this kind of system could provide to them. One of the crucial component of this system is implementation of the data acquisition and pre-processing as well as the signal feature extraction, signal classification and control system based on that classification. A Support Vector Machines (SVM) based Machine Learning technique was used for classification. These methods were developed and implemented during this proposed work with the aim to enable eye movement based wheelchair control. El objetivo del proyecto es diseñar e implementar un sistema de control de silla de ruedas motorizado utilizando señales electrooculográficas. El sistema tiene como objetivo ayudar a las personas con movilidad reducida a controlar la silla de ruedas utilizando los movimientos oculares, permitiéndoles aprovechar las ventajas de movilidad y autonomía que este tipo de sistema podría proporcionarles. Uno de los componentes cruciales de este sistema es la implementación de la adquisición de datos y el preprocesamiento, así como la extracción de características de la señal, la clasificación de la señal y el sistema de control basado en esa clasificación. Se utilizó una técnica de aprendizaje automático basada en máquinas de vectores de soporte (SVM) para la clasificación. Estos métodos fueron desarrollados e implementados durante este trabajo propuesto con el objetivo de permitir el control de la silla de ruedas basado en el movimiento ocular. L'objectiu del projecte és dissenyar i implementar un sistema de control de cadires de rodes mitjançant senyals electrooculogràfiques. El sistema pretén ajudar les persones amb mobilitat reduïda a controlar la cadira de rodes mitjançant moviments oculars, permetent-los aprofitar els avantatges de mobilitat i autonomia que aquest tipus de sistema els pot proporcionar. Un dels components crucials d'aquest sistema és la implementació de l'adquisició i el pre-processament de dades, així com el sistema d'extracció, classificació del senyal i el control de senyal basat en aquesta classificació. Per a la classificació, es va utilitzar una tècnica d'aprenentatge automàtic basada en màquines de suport vectorial (SVM). Aquests mètodes es van desenvolupar i implementar durant aquest treball proposat per permetre el control de la cadira de rodes basat en el moviment dels ulls.

El proyecto realizado tiene como finalidad, realizar un análisis general de las técnicas de aprendizaje automático actualmente disponibles, aplicadas a la implementación de un sistema de detección de intrusión de red. Se describirán de forma sencilla las diferentes técnicas existentes hoy en día, poniendo de relieve las diferencias fundamentales entre las técnicas de machine learning clásicas en contraposición a las de deep learning utilizando redes neuronales, así como la relación subyacente entre ellas. Realizaremos un estudio más exhaustivo de una de las técnicas de aprendizaje automático, el árbol de decisión, y finalmente nos ocuparemos con cierto detalle de los aspectos a tener en cuenta en la implementación de una red neuronal para acometer el problema, con especial foco en la elección de los hiperparámetros de entrenamiento y las consecuencias que tales decisiones acarrean. Concluiremos que por la naturaleza del problema planteado, que dispone de conjuntos de muestras extremadamente abundantes para poder entrenar los modelos deseados, la aplicación de dichas técnicas ofrece una ventaja decisiva frente a otras técnicas tradicionales basadas en reglas y firmas. The purpose of the project will be to carry out a general analysis of the currently available automatic learning techniques applied to the implementation of a network intrusion detection system. The different techniques existing today will be described in a simple way, highlighting the fundamental differences between classical Machine Learning techniques as opposed to those of Deep Learning using Neural Networks, as well as the underlying relationship between them. We will proceed with a more exhaustive study of one of the techniques of automatic learning, the decision tree, and finally we will deal with some detail of the aspects to be taken into account in the implementation of a neural network to tackle the problem, with special focus on the choice of training hyperparameters and the consequences that such decisions entail. We will conclude that due to the nature of the problem posed, which has extremely abundant sample sets to be used to train the desired models, the application of these techniques offers a decisive advantage over other traditional techniques based on rules and signatures. El projecte realitzat té com a finalitat, realitzar una anàlisi general de les tècniques d'aprenentatge automàtic actualment disponibles, aplicades a la implementació d'un sistema de detecció d'intrusió de la xarxa. Es descriuran de forma senzilla les diferents tècniques existents avui en dia, posant en relleu les diferències fonamentals entre les tècniques de machine learning clàssiques en contraposició a les de deep learning utilitzant xarxes neuronals, així com la relació subjacent entre elles. Farem un estudi més exhaustiu d'una de les tècniques d'aprenentatge automàtic, l'arbre de decisió, i finalment ens ocuparem amb cert detall dels aspectes a tenir en compte en la implementació d'una xarxa neuronal per a escometre el problema, amb especial focus en l'elecció dels hiperparámetros d'entrenament i les conseqüències que aquestes decisions comporten. Conclourem que per la naturalesa del problema plantejat, que disposa de conjunts de mostres extremadament abundants per poder entrenar els models desitjats, l'aplicació d'aquestes tècniques ofereix un avantatge decisiu enfront d'altres tècniques tradicionals basades en regles i signatures.

Generative Adversarial Networks (GANs) can offer a way to tackle chronic lack of labeled samples in the medical imaging field, not only using unbounded generation but also by using conditional generation on different attributes of our choice or by modifying the results of this generation with the application of conceptual arithmetic operations between images. We train a Deep Convolutional GAN and a conditional DCGAN on a breast cancer dataset and we make use of some of its properties in order to edit histopathological images by arithmetically operating its latent vectors. The breast cancer dataset is created out of several patients WSI images, and it contains annotations for positive and negative samples. By using these arithmetical properties, we are able to perform several operations on the images, like inversion of the class of a sample (from tumorous to normal or vice versa), smooth interpolations of two samples that can show the transition between two states or two types of them or transference of features from one sample to another by combining additions and subtractions of latent vectors. Aside from its utility to augment labeled datasets for supervised algorithms, this type of edition may be useful in other situations, for example being used as didactic or informative material or as a way to deal with the frequent privacy and anonymity problems that can be encountered when working with this type of medical data. Las técnicas de Deep Learning, y especialmente las Redes Neuronales Convolucionales (CNNs), han encontrado un gran campo de aplicación en el ámbito de la imagen médica. Estos métodos se muestran muy adecuados para la clasificación o detección de distintas condiciones médicas, en tareas de segmentación de órganos, células u otras características visuales importantes para el diagnóstico de patologías a partir de imágenes. Hasta la aparición de las Redes Generativas Antagónicas (GANs) la utilización de algoritmos de Deep Learning para el análisis de imágenes médicas se centraba en métodos de aprendizaje supervisado. Este tipo de entrenamiento implica la utilización de una gran cantidad de datos etiquetados y/o segmentados. Este aspecto es especialmente relevante cuando se trata de imágenes histológicas (imágenes de la estructura microscópica de los tejidos), que pueden contener miles o decenas de miles de células, lo que hace que etiquetar esos datos sea una tarea muy exhaustiva y subjetiva incluso para patólogos expertos. Las Redes Generativas Antagónicas pueden ser en ciertos casos simplemente una alternativa con algunas ventajas respecto a los métodos supervisados pero en otros casos su contribución va más allá y demuestran ser útiles también a la hora de ayudar a los métodos supervisados a superar sus propias limitaciones. La principal motivación para este trabajo es abordar la eventual problemática de la carencia de datos adecuadamente etiquetados, ofreciendo un proceso mediante el cual sea posible generar imágenes realistas en las que, a diferencia de los procesos habituales de aumento de datos, seamos capaces de integrar características que sean de nuestro interés en las muestras generadas. Los métodos habituales como rotaciones, volteos, recortes o distorsiones nos ofrecen una cantidad limitada de variación en torno a las imágenes originales y sobre las que tenemos poco control. Generando nuevas muestras mediante la aplicación de operaciones aritméticas se podría aumentar la riqueza de los datos aumentados permitiéndonos además conocer, o al menos acotar, la clase de la imagen generada. Les tècniques de Deep Learning, i especialment les Xarxes Neuronals convolucionals (CNNs), han trobat un gran camp d'aplicació en l'àmbit de la imatge mèdica. Aquests mètodes es mostren molt adequats per a la classificació o detecció de diferents condicions mèdiques, en tasques de segmentació d'òrgans, cèl·lules o altres característiques visuals importants per al diagnòstic de patologies a partir d'imatges. Fins a l'aparició de les Xarxes generatives antagòniques la utilització d'algoritmes de Deep Learning per a l'anàlisi d'imatges mèdiques se centrava en mètodes d'aprenentatge supervisat. Aquest tipus d'entrenament implica la utilització d'una gran quantitat de dades etiquetades i / o segmentades. Aquest aspecte és especialment rellevant quan es tracta d'imatges histològiques (imatges de l'estructura microscòpica dels teixits), que poden contenir milers o desenes de milers de cèl·lules, el que fa que, etiquetar aquestes dades sigui una tasca molt exhaustiva i subjectiva fins i tot per patòlegs experts. Les Xarxes generatives antagòniques poden ser en certs casos simplement una alternativa amb alguns avantatges respecte als mètodes supervisats però en altres casos la seva contribució va més enllà i demostren ser útils també a l'hora d'ajudar els mètodes supervisats a superar les seves pròpies limitacions. La principal motivació per a aquest treball és abordar l'eventual problemàtica de la manca de dades adequadament etiquetades, oferint un procés mitjançant el qual sigui possible generar imatges realistes en què, a diferència dels processos habituals d'augment de dades, siguem capaços d'integrar característiques que siguin del nostre interès en les mostres generades. Els mètodes habituals com rotacions, voltejos, retallades o distorsions ens ofereixen una quantitat limitada de variació al voltant de les imatges originals i sobre les que tenim poc control. Generant noves mostres mitjançant l'aplicació d'operacions aritmètiques es podria augmentar la riquesa de les dades permetent-nos conèixer, o almenys acotar, la classe d'imatge generada.

Semantic segmentation is the differentiation of the meaningful parts on an image. It has been used in many distinct fields, such as traffic or medical areas. One of these uses in the medical field is the blood smear examination. White blood cells (WBC) are part of the immune system and their counting and determination are often performed by medical specialists for diagnosis. The shape and size of the nucleus of leukocytes can determine the type of WBC, by visual examination of an expert. WBC segmentation had been proposed before, but the convolutional neural network architectures were not tried for this task. Therefore, in this project, the semantic segmentation was performed on free access dataset, which is composed of microscopic images and segmented ground truth images, of WBC, made by experts. The dataset was filtered, transformed and augmented in order to be used in an artificial neural network. Some segmentation models, such as U-Net, SegNet and DeconvNet, were chosen, adapted and trained to/with this data. After training, the models were evaluated, using different metrics (accuracy, Jaccard similarity index and Sørensen¿Dice similarity coefficient), with the same dataset. Jupyter notebook from the free Google platform called Colaboratory was used for the training and evaluation of the models. Although all three models achieved very high scores in distinct metrics. U-Net architecture resulted in being the best model for segmenting, as well as the fastest one for the training process. La segmentación semántica es la diferenciación de las partes significativas de una imagen. Y se ha utilizado en muchos campos distintos, como el tráfico o campo de la medicina. Uno de estos usos en el campo médico es el examen de frotis de la sangre. Los glóbulos blancos (WBC, por sus siglas en inglés) son parte del sistema inmunológico y su conteo y determinación a menudo los realizan médicos especialistas para el diagnóstico. La forma y el tamaño del núcleo de los leucocitos pueden determinar el tipo de WBC mediante el examen visual de un experto. La segmentación semátnica de WBC ya se había propuesto antes, pero no se utilizaron redes neuronales convolucionales. Por lo que, en este proyecto, la segmentación semántica se realizó en un conjunto de datos de acceso libre, que está compuesto por imágenes microscópicas e imágenes de la verdad de fondo segmentadas, de WBC, realizadas por expertos. El conjunto de datos fue filtrado, transformado y aumentado para ser utilizado en una red neuronal artificial. Algunos modelos de segmentación, como U-Net, SegNet y DeconvNet, fueron elegidos, adaptados y entrenados para / con esta información. Después del entrenamiento, se evaluaron los modelos, utilizando diferentes métricas (precisión, coeficientes de similaridad de Jaccard y de Sørensen¿Dice), con el mismo conjunto de datos. Tanto para el entrenamiento como para la evaluación de los modelos se empleó Jupyter notebook de la plataforma de Google llamada Colaboratory. Aunque los tres modelos lograron puntuaciones muy altas en distintas métricas. La arquitectura de U-Net resultó ser el mejor modelo para la segmentación, así como también el más rápido para el proceso de entrenamiento. La segmentació semàntica és la diferenciació de les parts significatives d'una imatge. I s'ha utilitzat en molts camps diferents, com el trànsit o camp de la medicina. Un d'aquests usos en el camp mèdic és l'examen de frotis de la sang. Els glòbuls blancs (WBC, per les seves sigles en anglès) són part del sistema immunològic i el seu comptatge i determinació sovint els realitzen metges especialistes per al diagnòstic. La forma i la grandària del nucli dels leucòcits poden determinar el tipus de WBC mitjançant l'examen visual d'un expert. La segmentació semátnica de WBC ja s'havia proposat abans, però no es van utilitzar xarxes neuronals convolucionals. Pel que, en aquest projecte, la segmentació semàntica es va realitzar en un conjunt de dades d'accés lliure, que està compost per imatges microscòpiques i imatges de la veritat de fons segmentades, de WBC, realitzades per experts. El conjunt de dades va ser filtrat, transformat i augmentat per a ser utilitzat en una xarxa neuronal artificial. Alguns models de segmentació, com O-Net, SegNet i DeconvNet, van ser triats, adaptats i entrenats per a / amb aquesta informació. Després de l'entrenament, es van avaluar els models, utilitzant diferents mètriques (precisió, coeficients de similitud de Jaccard i de Sørensen¿Diu), amb el mateix conjunt de dades. Tant per a l'entrenament com per a l'avaluació dels models es va emprar Jupyter notebook de la plataforma de Google cridada Colaboratory. Encara que els tres models van aconseguir puntuacions molt altes en diferents mètriques. L'arquitectura d'O-Net va resultar ser el millor model per a la segmentació, així com també el més ràpid per al procés d'entrenament.

El objetivo de este trabajo es diseñar e implementar un modelo, mediante redes neuronales, para generar descripciones automáticas de imágenes. Este modelo sera evaluado con métricas BLEU y ROUGE, y se realizará una integración en Telegram del mismo. The objective of this work is to design and implement a deep learning model to generate image captionings trough a encoder-decoder framework. This model will be evaluated with BLEU and ROUGE metrics, and an integration in Telegram will be carried out. L'objectiu d'aquest treball és dissenyar i implementar un model, mitjançant xarxes neuronals, per generar descripcions automàtiques d'imatges. Aquest model serà avaluat amb mètriques BLEU i ROUGE, i es realitzarà una integració en Telegram del mateix.

En el presente estudio se aborda la viabilidad de un sistema de control de existencias para una variedad limitada de frutas en un entorno tridimensional acotado. El sistema se basa en técnicas de aprendizaje profundo mediante la aplicación de redes neuronales convolucionales para la detección de objetos en imágenes. This project investigates the viability of a stock control system for a limited range of fruit in a three-dimensional, controlled environment. The system is based on deep learning techniques with the application of convolutional neural networks being used to detect objects in images. En el present estudi s'aborda la viabilitat d'un sistema de control d'existències per a una varietat limitada de fruites en un entorn tridimensional acotat. El sistema es basa en tècniques d'aprenentatge profund mitjançant l'aplicació de xarxes neuronals convolucionals per a la detecció d'objectes en imatges.

En este trabajo se usará el conjunto de datos de kaggle National Health and Nutrition Examination Survey. La finalidad será diseñar e implementar diferentes modelos no supervisados para identificar patrones, descubrir como tienden los datos a agruparse y si existen comorbilidades entre las enfermedades. También diseñaremos modelos predictivos para detectar si un paciente sufre hipertensión. En los modelos de clustering, escogemos el parámetro n_neighbors con el método del codo y los parámetros de los modelos predictivos con el RandomizedSearchCV y después con GridSearchCV. Se implementa un modelo de clustering con k-Means para el conjunto total de los datos y otro para las enfermedades del archivo medications. En el primero se concluye que la edad y las variables relacionadas con la salud dental son los más importantes para la determinación de los clústeres, en el segundo se obtienen unas posibles comorbilidades para las enfermedades. Para los modelos predictivos se usan los algoritmos: Support Vector Classification, Gradient Boosting Classifier, AdaBoost Classifier, Random Forest Classifier, Naive Bayes, Logistic Regression y k-NN de la librería sklearn. El mejor modelo se obtiene con AdaBoost y una exactitud de 76.33, aunque el Naive Bayes ofrece un buen resultado del TPR de 62.69 al obtenerse la menor cantidad de falsos negativos entre todos los modelos. We are going to work with the kaggle¿s dataset named National Health and Nutrition Examination Survey in this paper. The main purpose is to design and implement different unsupervised models to identify patterns, to discover how the data tends to group and if there are comorbidities among the diseases. We are also going to design predictive models to detect if a patient suffers from some of the diseases written in the dataset. In the clustering models, we choose the parameter n_neighbors with the elbow method and the parameters of the predictive models with the RandomizedSearchCV and then with GridSearchCV. A clustering model with k-Means is implemented for the total data set and another for diseases of the medications file. In the first, it is concluded that age and variables related to dental health are the most important for the determination of clusters, in the second, possible comorbidities for diseases are obtained. For predictive models the algorithms are used: Support Vector Classification, Gradient Boosting Classifier, AdaBoost Classifier, Random Forest Classifier, Naive Bayes, Logistic Regression and k-NN from sklearn. The best model is obtained with AdaBoost and an accuracy of 76.33, although the Naive Bayes offers a good result of the TPR of 62.69 to obtain the lowest amount of false negatives among all models. En aquest treball es farà servir el conjunt de dades de kaggle National Health and Nutrition Examination Survey. La finalitat serà dissenyar i implementar diferents models no supervisats per identificar patrons, descobrir com tendeixen les dades a agrupar-se i si hi ha comorbiditats entre les malalties. També dissenyarem models predictius per detectar si un pacient pateix hipertensió. En els models de clustering, escollim el paràmetre n_neighbors amb el mètode del colze i els paràmetres dels models predictius amb el RandomizedSearchCV i després amb GridSearchCV. S'implementa un model de clustering amb k-Means per al conjunt total de les dades i un altre per a les malalties de l'arxiu médications. En el primer es conclou que l'edat i les variables relacionades amb la salut dental són els més importants per a la determinació dels clústers, en el segon s'obtenen unes possibles comorbiditats per a les malalties. Per als models predictius s'usen els algoritmes: Support Vector Classification, Gradient Boosting Classifier, AdaBoost Classifier, Random Forest Classifier, Naive Bayes, Logistic Regression i k-NN de la llibreria sklearn. El millor model s'obté amb AdaBoost i una exactitud de 76.33, tot i que el Naive Bayes ofereix un bon resultat del TPR de 62.69 a obtenir-el mínim de falsos negatius entre tots els models.

Un call center es el área de una empresa el cual se encarga de recibir y transmitir llamadas desde o hacia clientes, socios comerciales u otras compañías externas. La gran cantidad de información generada a partir de estas llamada refleja, entre otros aspectos, las necesidades de los clientes de la empresa. La capacidad de clasificar las llamadas recibidas en tiempo real en función de la temática, provocaría en las empresas una mejora en la calidad de atención al público y en la experiencia del cliente. Esto es abordable mediante técnicas de machine learning. En este documento se presenta un sistema implementado en el call center de Telefónica que nos permite, a partir de la transcripción de las llamadas, obtener la temática de las mismas utilizando métodos de Procesamiento de Lenguaje Natural. El análisis expuesto realiza clasificaciones con diferentes arquitecturas, tanto con modelos no supervisados como con modelos supervisados de aprendizaje profundo. Dependiendo del modelo se han estudiado también diferentes métodos a la hora de representar las transcripciones. Por último, se ha llevado uno de los modelos a producción, dotando al sistema de la posibilidad de realizar esta clasificación en tiempo real y proporcionando a la empresa la capacidad de visualizar la evolución de las llamadas a lo largo del tiempo y de generar alertas en base a anomalías. El sistema llevado a producción ha sido totalmente desplegado en contenedores y provisto de mecanismos de monitorización, integración continua y despliegue continuo. El proyecto presentado abre a la empresa un gran número de posibilidades, tanto a la hora de realizar nuevos sistemas de Procesamiento del Lenguaje Natural, como a la hora de llevar modelos de aprendizaje profundo a un entorno productivo. A call center is the area of a company in charge of receiving and transmitting calls to or from customers, business partners or other external companies. The vast amount of information generated from these calls reflects, among other aspects, the needs of the company's customers. The ability to classify the calls received in real time according to the subject, would lead to an improvement in the quality of the company's customer service as well as the customer experience. This is approachable through machine learning techniques. This draft reveals a system implemented in the call center of Telefónica that allows us, through the transcription of the calls, to know the topic of the calls using Natural Language Processing methods. The analysis mentioned above makes classifications with different architectures, with unsupervised models as well as deep learning supervised models. Depending on the model, different methods have also been studied when representing the transcripts. Finally, one of these models has been moved to production, giving the system the possibility of making this classification in real time and providing the company the ability of visualizing the evolution of the calls over time and generating alerts in the event of any anomaly. The system moved to production has been fully deployed in containers and equipped with monitoring mechanisms, continuous integration and continuous deployment. The project opens up a vast number of possibilities for the company to carry out new Natural Language Processing systems. Also, to bring deep learning models to a productive environment. Un centre d'atenció telefònica és l'àrea d'una empresa la qual s'encarrega de rebre i transmetre trucades des de o cap a clients, socis comercials o altres companyies externes. La gran quantitat d'informació generada a partir d'aquesta, reflecteix, entre altres aspectes, les necessitats dels clients de l'empresa. La capacitat de classificar les trucades rebudes en temps real en funció de la temàtica, provocaria en les empreses una millora en la qualitat d'atenció al públic i en l'experiència de client. Això és abordable mitjançant tècniques de machine learning. En aquest document es presenta un sistema implementat en el centre d'atenció telefònica de Telefònica que ens permet, a partir de la transcripció de les trucades, obtenir la temàtica de les mateixes utilitzant mètodes de Processament de Llenguatge Natural. L'anàlisi realitza classificacions amb diferents arquitectures, tant amb models no supervisats com amb models supervisats d'aprenentatge profund. Depenent del model s'han estudiat també diferents mètodes a l'hora de representar les transcripcions. Finalment, s'ha portat un dels models a producció, dotant al sistema de la possibilitat de realitzar aquesta classificació en temps real i proporcionant a l'empresa la capacitat de visualitzar l'evolució de les trucades al llarg del temps i de generar alertes basant-se en anomalies. El sistema dut a producció ha estat totalment desplegat en contenidors i proveït de mecanismes de monitorització, integració contínua i desplegament continu. El projecte presentat, obre a l'empresa un gran nombre de possibilitats, tant a l'hora de realitzar nous sistemes de processament del llenguatge natural, com a l'hora de portar models d'aprenentatge profund a un entorn productiu.

We employ methods from deep learning for image recognition. We use a dataset with +70k images and 73 classes in order to compare the performance of several well known deep network architectures. The approaches used include the full training of these networks and also the techniques of transfer learning and fine tuning with the weights pretrained on the ImageNet set. We show the superiority of the latter approach in our dataset. We also experiment with a reorganization of the labels in our dataset by grouping several classes shown by the confusion matrix to be indistinguishable for the models. In this case we obtain a classification accuracy score higher than 50%. Utilizamos métodos de aprendizaje profundo en el contexto de reconocimiento de imágenes. Utilizamos un conjunto de más de 70 mil imágenes y 73 clases diferentes para comparar el rendimiento de diferentes arquitecturas comúnmente empleadas. Los enfoques utilizados en este trabajo incluyen en un entrenamiento completo de estas redes y también estrategias de transferencia del aprendizaje y calibración de modelos con redes pre entrenadas en el conjunto ImageNet. Mostramos la superioridad de este último enfoque en nuestro conjunto de imágenes. También experimentamos con una reorganización de las categorías de nuestro conjunto, fusionando aquellas categorías que la matriz de confusión muestra que son más comúnmente confundidas por nuestros modelos. En este caso obtenemos una precisión superior al 50%. Utilitzem mètodes d'aprenentatge profund en el context de reconeixement d'imatges. Utilitzem un conjunt de més de 70 mil imatges i 73 classes diferents per a comparar el rendiment de diferents arquitectures. Els enfocaments utilitzats en aquest treball inclouen un entrenament complet d'aquestes xarxes i també d'estratègies de transferència de l'aprenentatge i calibratge de models amb xarxes pre entrenades en el conjunt ImageNet. Vam mostrar la superioritat d'aquest últim enfocament en el nostre conjunt d'imatges. També experimentem amb una reorganització de les categories del nostre conjunt, fusionant aquelles categories que la matriu de confusió mostra que són més confoses pels nostres models. En aquest cas obtenim una precisió superior al 50%.

Leukemia is a type of cancer that starts in blood-forming tissue, such as the bone marrow. It causes the production of large numbers of abnormal blood cells that end up entering into the bloodstream. Within the different types of leukemia, Mantle Cell Lymphoma (MCL) is the one with the worst prognosis due to the short survival average of a patient, which is close to three years. This tumor is characterized by the over-expression of Cyclin D1, a protein that helps control cell division. MCL is also characterized by the binding of this protein to certain regions of DNA involved in the regulation of DNA-damage response (DDR). The presented study aims to identify similarities between the gene expression regulated by Cyclin D1 in lymphomas and the gene expression in DNA damage. That knowledge will allow the exploration of essential mechanisms of carcinogenesis and help in the identification of genes that could be an interesting therapeutic target in the process of tumor progression. Additionally, new biomarkers that could be used in early diagnosis can be found. With the addition of machine learning algorithms to the biology analysis pipeline, this project explores new ways to improve the traditional methodologies and boost the identification of significantly enriched genes that will serve the purposes mentioned above. The result of such a pipeline is the accurate selection of genes correlated with Cyclin D1, involved in MCL and DDR, and its posterior analysis and identification of significantly enriched gene sets. As a conclusion, the results obtained in this study suggested that targeting of Notch pathway and studying potential common mechanisms of hypoxia and apoptosis resistance would be of great interest for possible future studies on treatments of MCL. La leucemia es un tipo de cáncer que empieza en los tejidos generadores de sangre, tales como la médula ósea. Esta enfermedad causa la producción de un gran número de células sanguíneas anormales que van a parar al flujo sanguíneo. Dentro de la leucemia encontramos diferentes tipos, siendo el Linfoma de las células del manto (en adelante, Mantle Cell Lymphoma o MCL) el que peor pronóstico tiene, debido a la corta media de supervivencia del paciente, cercana a los tres años. Este tumor se caracteriza por la sobre-expresión de la ciclina D1, proteína que ayuda a controlar la división celular, y también por la unión de ésta proteína a ciertas regiones de ADN involucradas en la regulación del proceso de reparación del daño al ADN (en adelante, DNA-Damage Response o DDR). El presente estudio tiene como objetivo identificar las similitudes entre la expresión génica derivada de la regulación por la ciclina D1 en Linfoma con la que se da en el caso del daño en el ADN. Este conocimiento permitirá la exploración de los mecanismos esenciales de carcinogénesis y ayudará en la identificación de genes que pueden ser un objetivo terapéutico interesante en el proceso de progresión tumoral. Adicionalmente, se podrían hallar nuevos biomarcadores para el diagnóstico precoz de la enfermedad. Con la adición de machine learning al proceso de análisis biológico, este proyecto explora nuevas formas de mejorar las metodologías tradicionales e impulsar la identificación de genes significativamente enriquecidos que servirán a los propósitos mencionados anteriormente. El resultado de dicho proceso analítico es la precisa selección de genes correlacionados con la ciclina D1, involucrados en MCL y DDR, y su posterior análisis. Como conclusión, los resultados obtenidos en este estudio sugirieron que el tratamiento del Notch pathway y el potencial estudio de los mecanismos comunes de resistencia a la hipoxia y apoptosis serían de gran interés para posibles estudios futuros sobre tratamientos de MCL. La leucèmia és un tipus de càncer que comença en els teixits generadors de sang, com ara la medul·la òssia. Aquesta malaltia causa la producció d'un gran nombre de cèl·lules sanguínies anormals que van a parar al flux sanguini. Dins de la leucèmia trobem diferents tipus, sent el Limfoma de les cèl·lules del mantell (en endavant, Mantle Cell Lymphoma o MCL) el que pitjor pronòstic té, a causa de la curta mitjana de supervivència del pacient, propera als tres anys. Aquest tumor es caracteritza per la sobre-expressió de la ciclina D1, proteïna que ajuda a controlar la divisió cel·lular, i també per la unió d'aquesta proteïna a certes regions d'ADN involucrades en la regulació del procés de reparació del dany a l'ADN (en endavant, DNA-Damage Response o DDR). El present estudi té com a objectiu identificar les similituds entre l'expressió gènica derivada de la regulació per la ciclina D1 en Limfoma amb la que es dóna en el cas del dany en l'ADN. Aquest coneixement permetrà l'exploració dels mecanismes essencials de carcinogènesi i ajudarà en la identificació de gens que poden ser un objectiu terapèutic interessant en el procés de progressió tumoral. Addicionalment, es podrien trobar nous biomarcadors per al diagnòstic precoç de la malaltia. Amb l'addició de machine learning al procés d'anàlisi biològica, aquest projecte explora noves formes de millorar les metodologies tradicionals i impulsar la identificació de gens significativament enriquits que serviran als propòsits esmentats anteriorment. El resultat d'aquest procés analític és la precisa selecció de gens correlacionats amb la ciclina D1, involucrats en MCL i DDR, i la seva posterior anàlisi. Com a conclusió, els resultats obtinguts en aquest estudi van suggerir que el tractament del Notch pathway i el potencial estudi dels mecanismes comuns de resistència a la hipòxia i apoptosi serien de gran interès per a possibles estudis futurs sobre tractaments de MCL.

El subtitulado automático de imágenes, la tarea de producir automáticamente una descripción en lenguaje natural para una imagen, tiene el potencial de ayudar a las personas con discapacidades visuales a explicar las imágenes mediante sistemas de conversión de texto a voz. Sin embargo, el subtitulado preciso de imágenes es una tarea desafiante que requiere integrar y avanzar en la intersección de los campos de procesamiento de lenguaje natural y visión por computador. Este trabajo pretende desarrollar un modelo basado en redes neuronales y aprendizaje profundo para la generación automática de descripciones de imágenes. Automatic image captioning, the task of automatically producing a natural-language description for an image, has the potential to assist those with visual impairments by explaining images using text-to-speech systems. However, accurate image captioning is a challenging task that requires integrating and pushing further the latest improvements at the intersection of computer vision and natural language processing fields This work aims at building an advanced model based on neural networks and deep learning for the automated generation of image captions. El subtitulat automàtic d'imatges, la tasca de produir automàticament una descripció en llenguatge natural per a una imatge, té el potencial d'ajudar a les persones amb discapacitats visuals a explicar les imatges, mitjançant sistemes de conversió de text a veu. No obstant això, el subtitulat precís és un desafiament important que requereix integrar i avançar en la intersecció dels camps de processament de llenguatge natural i visió per computador. Aquest treball pretén desenvolupar un model basat en xarxes neuronals i aprenentatge profund per a la generació automàtica de descripcions d'imatges.

El objetivo principal de éste trabajo es estudiar cómo se aplica el reconocimiento de imágenes y se puede aplicar a marketing y e-commerce. Contiene los siguientes puntos.1. situar y comprender el contexto del reconocimiento de imágenes en marketing y comercio electrónico.2. Ver los diferentes formatos y tecnologías que las marcas han utilizado utilizando el reconocimiento de imágenes.3. Para encontrar beneficios de marketing y comercio electrónico a partir del reconocimiento de imágenes.4. Comprender las debilidades actuales del reconocimiento de imágenes aplicadas al marketing y el comercio electrónico. 5. Comprender el futuro y el margen de mejora del reconocimiento de imágenes aplicado al marketing y e-commerce y por útimo contribuir a la laguna de los estudios sobre el reconocimiento de imágenes aplicadas a la comercialización. L'objectiu principal d'aquest treball és estudiar com s'aplica el reconeixement d'imatges i es pot aplicar a màrqueting i e-commerce. Conté els següents punts.1. situar i comprendre el context del reconeixement d'imatges en màrqueting i comerç electrònic.2. Veure els diferents formats i tecnologies que les marques han utilitzat utilitzant el reconeixement d'imatges. 3. Per trobar beneficis de màrqueting i comerç electrònic a partir del reconeixement d'imatges. 4. Comprendre les febleses actuals del reconeixement d'imatges aplicades al màrqueting i el comerç electrònic. 5. Comprendre el futur i el marge de millora del reconeixement d'imatges aplicat al màrqueting i i-commerce i per ùltim contribuir a la llacuna dels estudis sobre el reconeixement d'imatges aplicades a la comercialització. The main objective is study how image recognition is applied and can be applied to marketing and e-commerce. This objective contains the following ones: 1. To situate and understand the context of image recognition in marketing and e- commerce. 2. To see di¿erent formats and technologies that brands have used using image recog- nition.3. To find marketing, e-commerce benefits from image recognition. 4. To realize about nowadays weaknesses of image recognition applied to marketing and e-commerce. 5. To understand the future and room for improvement of image recognition applied to marketing and e-commerce.6. To contribute to the loophole of studies about image recognition applied to mar- keting.

El proyecto que se recoge en esta memoria surge de la necesidad de formar a las educadoras de una Escuela Infantil en el conocimiento y uso de las Tecnologías de la Información y Comunicación (TIC) para su aplicación en el aula, en el ámbito educativo de un primer ciclo de Educación Infantil. La formación profesional se realiza a través de un curso e-learning, basado en una metodología conectivista, con una implicación directa de las alumnas en todo momento, utilizando como entorno virtual de aprendizaje la plataforma Moodle y habiendo sido todo ello contrastado mediante la implementación de una prueba piloto, con un resultado positivo contrastado en la evaluación del proyecto. El projecte que es recull en aquesta memòria sorgeix de la necessitat de formar a les educadores d'una Escola Infantil en el coneixement i ús de les Tecnologies de la Informació i Comunicació (TIC) per a la seva aplicació a l'aula, en l'àmbit educatiu d'un primer cicle d'Educació Infantil. La formació professional es realitza a través d'un curs e-learning, basat en una metodologia conectivista, amb una implicació directa de les alumnes a tot moment, utilitzant com a entorn virtual d'aprenentatge la plataforma Moodle i havent estat tot això contrastat mitjançant la implementació d'una prova pilot, amb un resultat positiu contrastat en l'avaluació del projecte. The project that is included in this report arises from the need to train the educators of a Nursery School in the knowledge and use of Information and Communication Technologies (ICT) for its application in the classroom, in the educational field of a First cycle of Early Childhood Education. Vocational training is carried out through an e-learning course, based on a connectivist methodology, with direct involvement of the students at all times, using the Moodle platform as a virtual learning environment and having all been contrasted through the implementation of a pilot test, with a positive result contrasted in the evaluation of the project.

3 Abstract El presente proyecto introduce un nuevo dataset para reconocimiento de landmarks (puntos turísticos) con 184.732 imágenes en formato JPG divididas en 17 clases. En primer lugar se realiza una introducción al problema de la visión por computador, sus características y contexto. A continuación se desarrollan y justifican las decisiones tomadas con respecto al diseño del proyecto, como ser: hardware y software utilizado, criterios de construcción del dataset y técnicas de validación. En la sección de experimentación y resultados se explican las técnicas utilizadas para crear el modelo, las cuales incluyen la extracción de características a través de transfer learning y la creación de una red neuronal convolucional desde cero. Finalmente se muestran las conclusiones y enseñanzas obtenidas y se plantean los lineamientos futuros a seguir.

La finalidad principal de este trabajo es el diseño e implementación de un detector predictivo de conexiones fraudulentas eficiente, que cumpla con las necesidades manifestadas por el cliente (Ancert). Para llevar a cabo el proyecto, primero se han estudiado a fondo las necesidades reales a cubrir. Después se han obtenido tramas de red suficientes y de calidad para cubrir con las fases de modelado del clasificador predictivo. Posteriormente, se han investigado sistemas para estructurar los ficheros, que faciliten su exploración y tratamiento masivo. Una vez que los datos han quedado estructurados en la BD NoSQL Cassandra, se ha hecho una investigación de los diferentes métodos de Machine Learning i sus ámbitos de aplicación, escogiendo el que se ha estimado más idóneo para el proyecto. Una vez decido que el diseño del detector se hará mediante redes neuronales profundas (Deep Learning) con Python y las librerías TensorFlow, se ha empezado con el modelado del algoritmo predictivo, que incluye las etapas de diseño, entrenamiento, validación, prueba y guardado del modelo para su reutilización posterior. La precisión obtenida con los datos de entrenamiento ha sido de ~99% y ~92% con los datos de test. Todo ello, con un porcentaje ínfimo (~0,05%) de falsos positivos, relevante para evitar la no disponibilidad del servicio a los usuarios lícitos del sistema. El detector predictivo se ha utilizado para clasificar un conjunto de tramas de red sin etiquetar y realizar su posterior inserción en la BD Cassandra. El tiempo total empleado para completar clasificación de ~300.000 tramas e insertarlas en la BD ha sido inferior a 3' en todas las pruebas realizadas. The main purpose of this work is the design and implementation of an efficient fraudulent predictive detector that meets the needs expressed by the client (Ancert). To carry out the project, the real needs to be covered have been studied in depth. After that, sufficient and quality network frames have been obtained to cover the modeling phases of the predictive classifier. Subsequently, systems have been investigated to structure the files, which facilitate their exploration and massive treatment. Once the data has been structured in the Cassandra NoSQL DB, an investigation has been made of the different methods of Machine Learning and its application areas, choosing the one that has been considered most suitable for the project. Once I have decided that the design of the detector will be made through deep neural networks (Deep Learning) with Python and the TensorFlow libraries, we have started with the predictive algorithm modeling, which includes the stages of design, training, validation, testing and saving of the model for its subsequent reuse. The accuracy obtained with the training data was ~ 99% and ~ 92% with the test data. All this, with a negligible percentage (~ 0.05%) of false positives, relevant to avoid the non-availability of the service to the legal users of the system. The predictive detector has been used to classify a set of unlabeled network frames and perform their subsequent insertion into the Cassandra database. The total time spent to complete the classification of ~ 300,000 frames and insert them into the database has been less than 3 'in all tests performed. L'objectiu principal d'aquest treball és dissenyar i implementar un detector predictiu de connexions fraudulentes eficient, que respongui a les necessitats expressades pel client (Ancert). Per dur a terme el projecte, s'han estudiat en profunditat les necessitats reals que s'han de cobrir. Després d'això, s'han obtingut bastidors de xarxa suficients i de qualitat per cobrir les fases de modelatge del classificador predictiu. Posteriorment, s'han investigat sistemes per estructurar els fitxers, que faciliten la seva exploració i tractament massiu. Una vegada que les dades s'han estructurat a la Cassandra NoSQL DB, s'ha realitzat una investigació dels diferents mètodes d'Aprenentatge automàtic i les seves àrees d'aplicació, escollint el que s'ha considerat més adequat pel projecte. Una vegada que decidit que el disseny del detector es realitzi a través de xarxes neuronals profundes (Deep Learning) amb Python i les biblioteques TensorFlow, s'ha començat amb el modelatge algorítmic predictiu, que inclou les etapes de disseny, formació, validació, prova i estalvi del model per a la seva posterior reutilització. La precisió obtinguda amb les dades de formació ha estat de ~ 99% i ~ 92% amb les dades de prova. Tot això, amb un percentatge insignificant (~ 0.05%) de falsos positius, rellevants per evitar la no disponibilitat del servei als usuaris lícits del sistema. El detector predictiu s'ha utilitzat per classificar un conjunt de trames de xarxa no etiquetades i realitzar la inserció posterior a la base de dades Cassandra. El temps total dedicat a completar la classificació de ~ 300.000 trames i inserir-les a la base de dades ha estat inferior a 3' en totes les proves realitzades.

El Deep Learning és un conjunt d’einesd'aprenentatgeautomàticque en els últims anys ha revolucionat el món gràcies als bons resultats que ofereix a l’hora de modelitzar dades complexes. Avui en dia el Deep Learningés un camp punter de la ciència i l’augment d’escenaris d’aplicació d’aquest tipus d'aprenentatge és part de la revolució que ha generat aquesta tecnologia.Buscant solucions per al que s’anomenacom aSmartCities,sorgeix la necessitat d'entendre l'entorn que ens envoltabasant-seen els sons propis de la ciutat; en aquest projecte s’ha buscat aquesta comprensió de l'entorn fent ús del Deep Learning(p.ex. xarxes neuronals convolucionals (CNN)ixarxes neuronals recurrents(RNN)). En el projecte s’ha treballatamb dades reals recollides en el marc d'un projecte europeu que té per objectiu la monitorització acústica del soroll de trànsit de laciutat. L'objectiu passa per aconseguir sistemes dereconeixement d'esdeveniments acústics mésrobustos i / o precisos.

Una de las dificultades que se presentan en la clasificación de imágenes histológicas es determinar descriptores de texturas hechos a mano sobre los que poder modelizar algoritmos de clasificación automática. En el presente trabajo se pretende abordar el problema desde otro enfoque, implementando distintas arquitecturas de redes neuronales convolucionales sobre un conjunto de imágenes de cáncer de colon y recto. One of the difficulties arising in histological slides classification is to set up the hand-made texture descriptors that could be used to create automatic classification models. In this study we try a different approach, implementing a few convolutional neural network architectures and feeding them a colorectal set of histological slides. Una de les dificultats que es presenten en la classificació d'imatges histológicas és determinar descriptores de textures fets a mà sobre els quals poder modelizar algorismes de classificació automàtica. En el present treball es pretén abordar el problema des d'un altre enfocament, implementant diferents arquitectures de xarxes neuronals convolucionals sobre un conjunt d'imatges de càncer de còlon i recte.

El castellano chileno es una variante del castellano de España, que a través del tiempo ha ido adquiriendo sus propias particularidades, rasgos fonéticos, sintácticosy léxicos.La existencia de chilenismos o términos propios del español chileno,hacen que la comunicación entre chilenos y personas de habla hispanaspueda verse dificultadas al hacer uso recurrente de este tipo de palabras en una conversación coloquial.En este trabajo se propone un sistema,que en base a una gran cantidad de texto en chileno y texto en español,obtenido desde diversas fuentes en internet (blogs, periódicos, Facebook, Twitter),pueda ser capaz de ofrecer una traducción de estos regionalismos chilenos al castellano español, a través de un sistema de traducción no supervisado, utilizando redes neuronales.

El objetivo del presente trabajo es estudiar y comparar diferentes herramientas existentes para la selección de los datos relevantes en los estudios de desintegraciones enLHCb (CERN), concretamente la desintegración del Mesón B0en un mesón K*0 y en un fotón γque,asu vez, el mesón K*0se reconstruye a partir de un pion y un kaon, K+π-o K-π+.La desintegración descrita del mesón B0se genera con poca probabilidad, produciéndose otro tipo de desintegraciones más frecuentemente, las cuáles generan un ruido combinatorio que dificulta la separación entre mediciones correctas y mediciones de fondo. Surge por lo tanto la necesidad de encontrar algoritmos que separen correctamente la señal obtenida de lo clasificado como ruido combinatorio.Para ello se estudian las características numéricas producidas en la desintegración, así como las relaciones físicas entre las variables. Con este conocimiento adquirido se generan modelos de inteligencia artificial basados en la tecnología de Boosted Trees, los cuales entrenaremos y probaremos con datos reales y artificiales generados con métodos de Monte Carlo. Finalmente se mide el rendimiento de los modelos con el objetivo de encontrar el algoritmo que optimice los resultados manteniendo una fiabilidad estadística que le permita ser replicable en casos similares. The objective of this thesis is to study and compare the different tools available for Data Selection in decay studies elaborated in the LHCb experiment(CERN), specifically the decay of the Bmeson into a K*0meson and a photon γ, wherethe K*0 meson decaysinto a pion and a kaon, K+π-or K-π+.This specific decay occurs with a low probability. In a proton-proton collision, thousands of particles are produced,andother kind of Bdecays occurmore frequently, thus resulting on a largecombinatorial background in the selection of our decay of interest.It arises the need of finding specific algorithms that can distinguish between the desired signal from the background (noise).In order to do so,we will study the numerical characteristics of the selected Bcandidates and itsdecay products, as well as the physical relationship between the variables. With this knowledge acquired we generate artificial intelligence models based on Boosted trees technology, where we will train and test them with both realdata and datagenerated artificially by Monte Carlo models. Then, we will measure each model ́s performance with the objective of maximizing the results while ensuring thatthose arereliable and canbe appliedin similar cases.

Un micro ARN es una pequeña secuencia de ADN que se une a un ARN mensajero y regula la actividad desempeñada por dicho gen, ya sea por degradación de la secuencia o inhibición de la actividad. Las características físicas y químicas que determinan los sitios de unión del micro ARN con el ARN mensajero no son totalmente comprendida en la actualidad, por lo que se han desarrollado multitud de sistemas enfocados a predecir posibles secuencias dianas de un micro ARN en un gen. El objetivo del presente proyecto ha sido desarrollar una herramienta que permita evaluar si un micro ARN actúa como regulador de la expresión de un gen. Para ello se ha empleado técnicas de selección de atributos y técnicas de machine learning (redes neuronales y máquinas de soporte vectorial) empleando como lenguaje de programación Java y como librería de código de referencia Weka. Los datos empleados han sido obtenidos de repositorios públicos. De éstos, se han obtenido un total de 18091 casos de regulación positiva, frente a 16711 casos de candidatos de interacciones negativas. El resultado que se ha obtenido es de 86% de correcta clasificación, valor que se puede considerar adecuado a la hora de determinar posibles interacciones entre las secuencias. Un micro ARN és una petita seqüència d'ADN que s'uneix a un ARN missatger i regula l'activitat exercida per aquest gen, ja sigui per degradació de la seqüència o inhibició de l'activitat. Les característiques físiques i químiques que determinen els llocs d'unió del micro ARN amb el ARN missatger no són totalment compresa en l'actualitat, per la qual cosa s'han desenvolupat multitud de sistemes enfocats a predir possibles seqüencies dianes d'un micro ARN en un gen. L'objectiu del present projecte ha estat desenvolupar una eina que permeti avaluar si un micro ARN actua com a regulador de l'expressió d'un gen. Per a això s'ha emprat tècniques de selecció d'atributs i tècniques de machine learning (xarxes neuronals i màquines de suport vectorial) emprant com a llenguatge de programació Java i com a llibreria de codi de referència Weka. Les dades emprades han estat obtinguts de repositoris públics. D'aquests, s'han obtingut un total de 18091 casos de regulació positiva, enfront de 16711 casos de candidats d'interaccions negatives. El resultat que s'ha obtingut és de 86% de correcta classificació, valor que es pot considerar adequat a l'hora de determinar possibles interaccions entre les seqüències. Micro RNA are small DNA sequence that manages gene expresion. A micro RNA matches in a specific binding site. The reason of this one is unknown. Several tools have been developed to predict these interactions. The goal of this project is developing a Java software based on machine learning and feature selection to classify two sequences (RNA and micro RNA) using Weka library. Data were extrated from public repositories. 18091 positive cases and 16711 negative cases were obtained. The result is a high accuracy of correct classification (86%). Several problems were presented during developing, so that number of features and classifiers were limited.

Recientemente se ha demostrado que un extracto del té verde mejora la capacidad cognitiva de las personas con Síndrome de Down. Además, se están llevando a cabo numerososestudios para demostrar si esta proteína podría ayudar también a mejorar la memoria a corto plazo, a controlar los impulsos y desenvolverse en la vida cotidiana. Mediante este trabajo de fin de máster, en adelante TFM, se quiere continuar con el estudio ya comenzado del extracto del té verde con personas que padecen Síndrome de Down. Para ello, La Salle,junto con el Centro de Regulación Genómica, van a realizar un estudio para probarsi con este extracto se contribuye a la normalización de los rasgos faciales de los niños que padecen dicho síndrome.El objetivo principal del proyecto se centra en realizar, a través del procesamiento de imágenes faciales, la distinción de niños con y sin Síndrome de Down. Para llevar a cabo este procesamientoy poder realizar la clasificación, se implementarán diferentes técnicas de clasificación ya existentes, para así poder evaluar la precisión de cada una de ellas y determinar la técnica más precisa y que dé mejores resultados.Para cada una de estas técnicas, será necesario definir unos atributos visuales de la cara a partir de los cuales se pueda realizar la correspondiente clasificación. En particular se van a utilizar unos vectores, calculados a partir de la generación de sus patrones binarios locales (LBPs), que concentren los rasgos diferenciados. Estos LBPs son un tipo de descriptor visual utilizado para la clasificación en visión artificial.Los dos métodosque se van a implementar para la clasificación de los casos en estudio se basarán en algoritmos de aprendizaje automático que permitan clasificar en dos grupos a los niños (con SD o sin SD) una vez aplicados sobre los patrones extraídos en las imágenes. Recentment s'ha demostrat que un extracte de te verd millora la capacitat cognitiva de les persones amb Síndrome de Down. A més a més, s’estan duent a terme nombrosos estudis per demostrar si aquesta proteïna podria ajudar també a millorar la seva memòria a curt termini, a controlar els impulsos i a desenvolupar-se en la vida quotidiana.Mitjançant aquest treball de final de màster, d’ara en endavant TFM, es vol continuar amb l’estudi ja començat de l’extracte de te verd amb persones que pateixen Síndrome de Down. Per això, La Salle, juntament amb el Centre de Regulació Genòmica, realitzaran un estudi per comprovar si amb aquest extracte es contribueix a la normalització dels trets facials dels nens que pateixen aquest síndrome.L’objectiu principal del projecte se centra en realitzar, através del processament d’imatges facials, la distinció de nens amb i sense Síndrome de Down. Per dur a terme aquest processament i poder realitzar la classificació, s’implementaran diferents tècniques de classificació ja existents, per així poder avaluarla precisió de cada una d’elles i poder determinar la tècnica més exacte i amb millors resultats.Per a cada una d’aquestes tècniques, serà necessari definir punts de referència a la cara a partir dels quals es pugui realitzar la corresponent classificació. En particular, s’utilitzaran uns vectors calculats a partir de la generació dels seus patrons binaris locals (LBPs) que concentrin els trets diferencials. Aquests LBPs són un tipus de descriptor visual utilitzat per a la classificació en visió artificial.Els dos mètodes que s’implementaran per a la classificació dels casos d’estudi es basaran en algoritmes d’aprenentatge automàtic que permetin classificar els nens en dos grups, amb o sense SD, una vegada aplicats sobre els patrons extrets de les imatges. It has recently been shown that an extract of green tea improves the cognitive ability of people withDown syndrome. In addition, numerous studies are being carried out to demonstrate whether this protein could also help improve short-term memory, control impulses and function in daily life.Withthis end-of-master project, from here on outTFM, we want to continue with the already begun study of green tea extract with people suffering from Down syndrome. To do this, La Salle, together with the Center for Genomic Regulation, will conduct a study to test whether this extract contributes to the normalization of the facial features of children suffering from this syndrome.The main objective of thisproject is to make, through the processing of facial images, the distinction of children with and without Down Syndrome. To carry out this processing and to be able to carry out the classification, different existing classification techniques will be implemented, in order to evaluate the accuracy of each of them and determine the most precise technique that gives the best results.For each of these techniques, it will be necessary to define visual attributes of the face from which the corresponding classification can be made. In particular, some vectors will be used, calculated from the generation of their local binary patterns (LBPs), which concentrate the differentiated features. These LBPs are a type of visual descriptor used for classification in artificial vision.The two methods that will be implemented for the classification of the cases under study will be based on automatic learning algorithms that allow children to be classified in two groups (with SD or without SD) once applied to the patterns extracted in the images.

Els miRNA són cadenes curtes de RNA no codificant, d'aproximadament 22 nucleòtids, amb funció reguladora de l'expressió gènica a nivell post-transcripcional. Es coneixen uns 1500 miRNAs en humans que es calcula que regulen el 30% dels gens. La identificació de les dianes de cada miRNA és essencial per entendre la seva funció biològica. La predicció de les diferents dianes d'un miRNA in silico és fonamental per estalviar temps i recursos per, posteriorment, validar-les experimentalment. Diferents softwares fan aquestes prediccions gràcies a models generats a partir de regles basades en l'observació empírica. En els darrers temps, s'han aplicat algorismes de Machine Learning per modelar la interacció entre el miRNA i la seva diana, amb grans resultats d'exactitud. El Machine Learning és un conjunt d'algorismes que permeten detectar patrons en gran quantitat de dades, generant models que permetin classificar o predir nous exemples. En aquest treball es presenta l'eina miRNAforest, que mitjançant l'algorisme Random Forest, modela la unió del miRNA i les seves dianes per a classificar noves possibles dianes d'un miRNA donat. miRNAforest és capaç de fer prediccions de dianes de miRNA amb una exactitud del 85.78%, sensibilitat del 86.93% i especificitat del 84.66%. miRNA are short non-coding RNA, approximately 22 nucleotides long, with regulatory function of gene expression at post-transcriptional level. About 1500 human miRNA are known, that it is estimated to regulate 30 % of human genes. The identification of miRNA targets is essential to understanding its biological function. Prediction of miRNA targets in silico is a key method to save time and resources to subsequently validate them experimentally. Different softwares can do these predictions applying rule based algorithms. In a recent time, some machine learning algorithms have been applied to model the interaction between miRNA and its target, obtaining great accuracy results. Machine Learning is a method able to recognise patterns in large amounts of data and device a model to classify or predict new data. This thesis presents the tool miRNAforest that models the union between miRNAs and their targets by Random Forest algorithm to classify a new possible target of a given miRNA. miRNAforest is able to predict miRNA targets with an accuracy of 85.78%, 86.93% of sensitivity and 84.66% of specificity. Los miRNA son cadenas cortas de RNA no codificando, de aproximadamente 22 nucleótidos, con función reguladora de la expresión génica a nivel puesto-transcripcional. Se conocen unos 1500 miRNAs en humanos que se calcula que regulan el 30% de los genes. La identificación de las dianas de cada miRNA es esencial para entender su función biológica. La predicción de las diferentes dianas de un miRNA in silico es fundamental para ahorrar tiempo y recursos por, posteriormente, validarlas experimentalmente. Diferentes softwares hacen estas predicciones gracias a modelos generados a partir de reglas basadas en la observación empírica. En los últimos tiempos, se han aplicado algoritmos de Machine Learning para modelar la interacción entre el miRNA y su diana, con grandes resultados de exactitud. El Machine Learning es un conjunto de algoritmos que permiten detectar patrones en gran cantidad de datos, generando modelos que permitan clasificar o predecir nuevos ejemplos. En este trabajo se presenta la herramienta miRNAforest, que mediante el algoritmo Random Monte, modela la unión del miRNA y sus dianas para clasificar nuevas posibles dianas de un miRNA dado. miRNAforest es capaz de hacer predicciones de dianas de miRNA con una exactitud del 85.78%, sensibilidad del 86.93% y especificidad del 84.66%.

The aim of this article is to provide a design overview of the web based machine learning assisted multi-user classification system. The design is based on open source standards both for multi-user environment written in PHP using the Laravel framework and a Python based machine learning toolkit, Scikit-Learn. The advantage of the proposed system is that it does not require the domain specific knowledge or programming skills. Machine learning classification tasks are done on the background automatically. The paper commences with a review of literature on applications of text mining the most common type of data available, discusses the main system components and outlines the process flow with examples. System effectiveness is also evaluated using a dataset comprised of music lyrics divided into two classes of 245 songs each, using a support vector machine (SVM) classifier, function words feature set, three fold cross-validation and 10:90 train test split. El objetivo de este artículo es proporcionar una visión general del diseño del sistema de clasificación basado en la web de aprendizaje con ayuda de una máquina multiusuario. El diseño se basa en estándares de código abierto para el entorno multiusuario escrito en PHP utilizando el marco laravel y un conjunto de herramientas de aprendizaje automático basado en Python, Scikit-learn. La ventaja del sistema propuesto es que no requiere las habilidades de conocimiento o de programación específicos de dominio. Las tareas de clasificación de aprendizaje automático se realizan de forma automática. L'objectiu d'aquest article és proporcionar una visió general del disseny del sistema de classificació basat en la web d'aprenentatge amb ajuda d'una màquina multiusuari. El disseny es basa en estàndards de codi obert per a l'entorn multiusuari escrit en PHP utilitzant el marc laravel i un conjunt d'eines d'aprenentatge automàtic basat en Python, Scikit-learn. L'avantatge del sistema proposat és que no requereix les habilitats de coneixement o de programació específics de domini. Les tasques de classificació d'aprenentatge automàtic es realitzen de forma automàtica.

Trabajo de final del Máster en Bioinformática y Bioestadística. En él, se estudia el papel que pueden tener los algoritmos de machine learning en el perfil biológico, concretamente el sexo y el origen poblacional, dentro del campo de la antropología forense. Final work of the Master in Bioinformatics and Biostatistics. In it, we study the role that machine learning algorithms can have in the biological profile, specifically sex and population origin, within the field of forensic anthropology. Treball final del màster en Bioinformàtica i Bioestadística. En ell, s'estudiarà el paper que pot tenir els algoritmes d'aprenentatge automàtic en el perfil biològic, concretament el sexe i l'origen poblacional, dins del camp de l'antropologia forense.