División de Ciencias Básicas e Ingeniería
Permanent URI for this communityhttps://hdl.handle.net/11191/1
Browse
5 results
Search Results
- Interfaz de consulta en idioma español para la búsqueda de información en un ambiente académico(Universidad Autónoma Metropolitana (México). Unidad Azcapotzalco. Coordinación de Servicios de Información., 2020) García Robledo, Gabriela AlejandraEn este trabajo se aborda un sistema de consulta en idioma español de México para la búsqueda de información de dominio académico, mediante un modelo de segmentación y construcción de recursos léxicos, así como un análisis y enriquecimiento de un sistema de ontologías modulares en un ambiente académico. El sistema de consulta es implementado para recibir como entrada preguntas en idioma español del tipo ¿Dónde?, ¿Cuándo? y ¿Quién?, las cuales permiten identificar una tupla ontológica para la consulta al sistema de ontologías y que no utilizan un módulo de traducción como los trabajos reportados en la literatura. La metodología implementada permite la identificación de patrones estructurales para la búsqueda en SQWRL en el sistema de ontologías. Se realizó una evaluación en el reconocimiento de voz y en las respuestas recibidas por parte del modelo semántico, las preguntas son extraídas de expertos en el dominio académico. En esta tesis se realiza una interfaz de consulta en idioma español dentro de un dominio académico con una precisión de 92 %. Su evaluación es una aportación dentro del procesamiento de lenguaje natural con lexicones especializados, patrones estructurales que permiten realizar la búsqueda dentro de un sistema de ontologías, con un enriquecimiento en sus propiedades, clases e individuos.
- Modelos de aprendizaje automático para el apoyo en la clasificación de tipos de cáncer a partir de datos estructurados y no estructurados de expedientes clínicos(Universidad Autónoma Metropolitana (México). Unidad Azcapotzalco. Coordinación de Servicios de Información., 2020-07) Montelongo-González, Erick EstevenLa existencia de grandes volúmenes de datos generados por el área de la salud presenta una oportunidad importante para su análisis. Este puede obtener información que ayude a los médicos en el proceso de toma de decisiones para el diagnóstico o tratamiento de enfermedades, tales como el cáncer. El presente trabajo presenta una metodología para la clasificación de pacientes con cáncer de hígado, pulmón y pecho, a través de modelos de aprendizaje automático, para obtener el modelo que mejor se desempeña en la clasificación. La metodología considera tres modelos de la clasificación: Máquinas de Soporte Vectorial (SVM), Perceptrón Multi-Capa (MLP) y Ada- Boost utilizando tanto la información estructurada como no estructurada de los expedientes clínicos de los pacientes. Los resultados obtenidos muestran que el mejor modelo de clasificación fue el MLP utilizando solamente datos no estructurados, obteniendo un 89% de precisión, mostrando la utilidad de este tipo de datos en la clasificación de pacientes con cáncer.
- Extracción y enriquecimiento de perfiles de investigación usando ontologías(Universidad Autónoma Metropolitana (México). Unidad Azcapotzalco. Coordinación de Servicios de Información., 2019-01) Cruz Ruiz, IsabelEn este documento se presenta una solución basada en el uso de ontologías para la representación de perfiles de investigación de académicos y profesores de la Universidad Autónoma Metropolitana, Unidad Azcapotzalco, así como la incorporación de métodos de extracción y enriquecimiento de información. El modelo ontológico desarrollado permite que la información de los perfiles de investigación se almacene y se enriquezca a través de la ejecución de reglas de inferencia, generando información que es de interés para los investigadores. Una ontología es un “catalogo” de los tipos de entidades que existen en un dominio bajo la perspectiva de una persona que utiliza un lenguaje para describir el dominio en cuestión. Un perfil de investigación se refiere a la información relevante sobre la formación académica, como cantidad de publicaciones en distintos años, título académico, actividades en redes sociales académicas, habilidades, especialidades e intereses de investigación de cada individuo. En este trabajo se aborda el perfil de investigación de personal académico, el cual se refiere a la experiencia y conocimientos reflejados a través de las publicaciones científicas.
- Detección y representación de eventos en un ambiente académico inteligente(Universidad Autónoma Metropolitana (México). Unidad Azcapotzalco. Coordinación de Servicios de Información., 2019) Padilla Cuevas, JosuéUn Ambiente Inteligente es un espacio físico o virtual que es capaz de responder a las necesidades de los usuarios según el contexto. Un Evento es aquello que ocurre dentro de un ambiente, el cual se caracteriza por variables de tiempo (en qué momento sucede), espacio (en qué lugar) y persona (quién participa). En particular, en este trabajo se aborda la detección y representación de eventos que ocurren en un ambiente Académico inteligente; el tipo de eventos académicos que se consideran son: cursos, asesorías, seminarios, presentaciones, entre otros. En este documento de resultados se presenta un diseño ontológico para el modelado de contexto basado en eventos como núcleo del modelo, que es extensible y adaptable al dominio académico. El modelo ontológico es utilizado para la identificación de eventos académicos a partir de los datos adquiridos del entorno mediante el uso de reglas de decisión. Además, el modelo ontológico se usa para razonar con la información obtenida de los eventos identifícados. El modelo de ontologías basado en eventos considera cinco aspectos contextuales con una perspectiva modular: persona, temporalidad (tiempo), espacialidad (ubicación), red (recursos para adquirir datos del ambiente) y evento (eventos académicos). Para la evaluación del modelo de ontologías se llevó a cabo un proceso enfocado en: a) la extensibilidad y adaptación de escenarios de casos de uso en eventos académicos; b) el nivel de razonamiento mediante el uso de preguntas de competencia relacionadas con eventos académicos identifícados; c) la consistencia y la coherencia del modelo propuesto. La evaluación del proceso muestra resultados prometedores para el modelo antológico basado en eventos.
- Metodología para la comparación de algoritmos de aprendizaje automático. Caso de estudio: clasificación de eventos académicos(Universidad Autónoma Metropolitana (México). Unidad Azcapotzalco. Coordinación de Servicios de Información., 2019-08) Gutiérrez Rosales, AriadnaEn este trabajo de investigación se presenta una metodología para la comparación de algoritmos de aprendizaje automático que consta de cuatro etapas: Recopilación e integración del conjunto de datos de entrada; Procesamiento y transformación de los datos al modelo espacio vectorial; Selección e implementación de los algoritmos de aprendizaje automático; Evaluación y comparación de los resultados obtenidos; Se comparan cuatro algoritmos de aprendizaje supervisado: Narve Bayes, k-vecinos más cercanos, C4.5 y Máquinas de soporte vectorial. La metodología que se propone en este trabajo de investigación considera como caso de estudio a la clasificación de eventos académicos. Se tienen cuatro categorías distintas: eventos de difusión, cursos académicos y de actualización, asesorías académicas a alumnos y eventos ambientales. Los eventos se obtienen a partir de la lectura de sensores que mantienen el registro de los eventos en bitácoras. Estos eventos se caracterizan y se procesan para ser utilizados por los clasificadores. Se tienen tres tipos de características de un evento, que son: características nominales, textuales y numéricas. Dada la naturaleza de los algoritmos empleados en este trabajo de investigación, se requiere de una etapa de entrenamiento, que, a partir de un conjunto de 362 eventos académicos, se eligen aleatoriamente un 70% de ellos para el entrenamiento de los algoritmos y un 30% restante para las pruebas. Se consideraron 24 experimentos durante la etapa de pruebas en las que se analizan y se comparan los resultados obtenidos por los clasificadores. Las medidas de evaluación que se utilizan para elegir al mejor algoritmo de aprendizaje automático son la precisión y cobertura y la medida F1, sin embargo, el criterio de selección es la medida F1 ya que es un promedio de la precisión y la cobertura. De los resultados obtenidos en la experimentación, se puede observar que C4.5 es el algoritmo con mejores resultados de clasificación de eventos; gracias a que es un algoritmo basado en árboles de decisión y las bondades que ofrece al trabajar con características combinadas.