FA - Trabajos Dirigidos de SistemasTrabajos del Pregrado en Ingeniería de Sistemas de la Escuela Colombiana de Ingeniería Julio Garavitohttps://repositorio.escuelaing.edu.co/handle/001/252024-03-28T17:52:22Z2024-03-28T17:52:22ZElaboración de un estudio de mercado a nivel de prefactibilidad para contribuir al posicionamiento de la industria textil mediante la introducción de nuevas tecnologías en el municipio de Popayán, CaucaMuñoz Dorado, Juan Sebastiánhttps://repositorio.escuelaing.edu.co/handle/001/20892022-07-29T08:02:56Z2020-12-02T00:00:00ZElaboración de un estudio de mercado a nivel de prefactibilidad para contribuir al posicionamiento de la industria textil mediante la introducción de nuevas tecnologías en el municipio de Popayán, Cauca
Muñoz Dorado, Juan Sebastián
Documento preparado para obtener el enfasis en gerencia de proyectos de la Escuela Colombiana de ingenieria Julio Garavito. Donde se detalla un estudio de prefactibilidad sobre las areas propuestas.
2020-12-02T00:00:00ZIntroducción a la Computación Bioinspirada: Diseño de asignatura y creación de material de aprendizajeAngel Hernandez, Juan CamiloRojas Ortiz, Juan Camilohttps://repositorio.escuelaing.edu.co/handle/001/20242022-05-06T08:02:59Z2020-01-01T00:00:00ZIntroducción a la Computación Bioinspirada: Diseño de asignatura y creación de material de aprendizaje
Angel Hernandez, Juan Camilo; Rojas Ortiz, Juan Camilo
ES: Este trabajo corresponde al diseño y construcción de una asignatura universitaria la cual lleva como nombre Introducción a la Computación Bioinspirada, aquí se realizó el diseño de la asignatura y la creación del material de aprendizaje. El desarrollo de este proyecto se encuentra dentro del marco de la computación natural, la computación natural es un campo de investigación que tiene como propósito comprender los procesos inteligentes que tienen lugar en la naturaleza y desarrollar modelos computacionales inspirados en este comportamiento.
Para la ingeniería y por consiguiente para nosotros, la tendencia de mayor interés en la computación natural es la computación inspirada en la naturaleza puesto que esta busca desarrollar técnicas de solución de problemas teniendo como inspiración a la naturaleza, enfocándose en la solución a problemas de alta complejidad. Por esto mismo, el interés hacia este campo ha aumentado, siendo cada vez más las personas interesadas en este campo que permite solucionar problemas en diversas áreas de la ingeniería.
El problema al que se da solución mediante este proyecto es la falta de profesionales formados en esta área; la razón es que hay una carencia de cursos que estén dirigidos a estudiantes de pregrado donde el material educativo esté en español y presenten una profundidad y anchura temática adecuada. Resolver este problema es importante ya que se atraen más estudiantes al área donde estos obtendrán un conocimiento interdisciplinar útil para solucionar problemas siendo esto una habilidad muy valiosa actualmente. Por estas razones se decidió construir un curso de nivel introductorio en esta área.
El objetivo general de este proyecto es diseñar un curso que introduzca a los estudiantes en tres tendencias principales de esta área -- computación neuronal, computación evolutiva y computación de enjambres -- para que los estudiantes puedan comprender, proponer, desarrollar y evaluar soluciones a problemas. Por cada tendencia se realizó la creación o curaduría de los recursos de aprendizaje necesarios. Las actividades y los recursos de aprendizaje se despliegan en una aula virtual siguiendo la estructura propuesta del curso para las tres secciones o tendencias.
El estudiante al finalizar el curso (i) tendrá conocimientos sobre las bases biológicas e informáticas de las principales tendencias de computación inspirada en la naturaleza, (ii) comprenderá los comportamientos biológicos y las meta-heurísticas asociadas al algoritmo principal de cada tendencia, y (iii) estará en la capacidad de resolver problemas usando enfoques de computación bioinspirada que de otra manera serían inviables. Además el estudiante (iv) propondrá, comprenderá y evaluará soluciones inspiradas en la naturaleza. Finalmente, gracias a todo, esto (v) se fortalecen conocimientos interdisciplinarios como habilidades investigativas y el pensamiento crítico.
Entre los recursos creados se encuentra un capítulo de un texto guía el cual detalla el aspecto biológico para luego continuar con el aspecto informático del algoritmo correspondiente, finalizando con la metodología de solución de problemas en el marco del algoritmo específico. Por otra parte, se seleccionó un vídeo teórico que explica los detalles biológicos y un simulador visual del algoritmo correspondiente.
Siguiendo con un enfoque más práctico, se construyó un framework por cada tendencia que se abarca en el curso, esto con el objetivo de facilitar las herramientas necesarias para que el estudiante construya soluciones de forma fácil e intuitiva. Además, se diseñaron una serie de laboratorios prácticos donde se propone la implementación y la aplicación del algoritmo o modelo correspondiente para solucionar un problema, usando dicho framework.
Finalmente una vez el estudiante adquiere este conocimiento y lo pone en práctica este realizará la búsqueda, selección y evaluación de una serie de artículos de aplicación para finalizar con el desarrollo de un proyecto.
El diseño de aprendizaje de la asignatura y sus respectivos recursos fueron sometidos a un proceso de revisión externa donde dos personas estudiaron y analizaron el material propuesto. De esta revisión se obtuvieron comentarios y sugerencias así como los puntos positivos que resaltaron. La opinión sobre el material fue muy buena: los dos revisores están de acuerdo con que (i) gracias a los distintos recursos el estudiante logra adquirir los conocimientos de una forma muy intuitiva y completa, (ii) los recursos presentados son de calidad, resaltando el valor e interés que estos generan; y (ii) la asignatura cuenta con un alcance y profundidad adecuados.; EN: This work corresponds to the design and construction of a university course called Introduction to Bioinspired Computing, here the design of the course and the creation of the learning material were carried out. The development of this project is within the framework of natural computation, natural computation is a field of research that aims to understand the intelligent processes that take place in nature and develop computational models inspired by this behavior.
For engineering, and therefore for us, the trend of greatest interest in natural computation is nature-inspired computation, since it seeks to develop problem-solving techniques inspired by nature, focusing on the solution of highly complex problems. For this reason, the interest in this field has increased, being more and more people interested in this field that allows solving problems in various areas of engineering.
The problem to be solved by this project is the lack of professionals trained in this area; the reason is that there is a lack of courses aimed at undergraduate students where the educational material is in Spanish and presents an adequate depth and breadth of topics. Solving this problem is important since it attracts more students to the area where they will obtain useful interdisciplinary knowledge to solve problems being this a very valuable skill nowadays. For these reasons it was decided to build an introductory level course in this area.
The overall goal of this project is to design a course that introduces students to three main trends in this area -- neural computing, evolutionary computing and swarm computing -- so that students can understand, propose, develop and evaluate solutions to problems. For each trend, the necessary learning resources were created or curated. The activities and learning resources are deployed in a virtual classroom following the proposed structure of the course for the three sections or trends.
The student at the end of the course will (i) have knowledge of the biological and computational foundations of the main trends in nature-inspired computing, (ii) understand the biological behaviors and meta-heuristics associated with the main algorithm of each trend, and (iii) be able to solve problems using bio-inspired computing approaches that would otherwise be infeasible. Furthermore, the student will (iv) propose, understand and evaluate solutions inspired by nature. Finally, through all of this, (v) interdisciplinary knowledge such as research skills and critical thinking are strengthened.
Among the resources created is a chapter of a guide text which details the biological aspect and then continues with the computational aspect of the corresponding algorithm, ending with the methodology of problem solving within the framework of the specific algorithm. On the other hand, a theoretical video explaining the biological details and a visual simulator of the corresponding algorithm were selected.
Following a more practical approach, a framework was built for each trend covered in the course, with the aim of providing the necessary tools for the student to build solutions in an easy and intuitive way. In addition, a series of practical laboratories were designed to propose the implementation and application of the corresponding algorithm or model to solve a problem, using the framework.
Finally, once the student acquires this knowledge and puts it into practice, he/she will search, select and evaluate a series of application articles to finish with the development of a project.
The learning design of the course and its respective resources were submitted to an external review process where two people studied and analyzed the proposed material. From this review, comments and suggestions were obtained, as well as the positive points that stood out. The opinion about the material was very good: the two reviewers agree that (i) thanks to the different resources the student is able to acquire knowledge in a very intuitive and complete way, (ii) the resources presented are of quality, highlighting the value and interest they generate; and (ii) the subject has an adequate scope and depth.
2020-01-01T00:00:00ZMétodo de búsqueda de información en redes sociales de graduados sin información de contacto de instituciones de educación superiorQuintero Diaz Granados, Fabio Enriquehttps://repositorio.escuelaing.edu.co/handle/001/16732021-10-01T21:47:40Z2021-01-01T00:00:00ZMétodo de búsqueda de información en redes sociales de graduados sin información de contacto de instituciones de educación superior
Quintero Diaz Granados, Fabio Enrique
Se propone un método de búsqueda de datos de graduados sin información de contacto de Instituciones de Educación Superior (IES), basado en consultas indexadas de datos públicos en Redes Sociales (RRSS) como Facebook o LinkedIn para facilitar una primera interacción y la alimentación de información de los egresados. La información consultada fue clasificada para determinar su pertinencia y veracidad como filtro previo a su almacenamiento. La metodología es de una investigación aplicada donde el análisis de acceso de información desde las redes sociales (fuente primaria) y los buscadores (fuente secundaría), determinó el desarrollo del proyecto, ya que el acceso a la información y la consecución de permisos fueron limitantes importantes que en efecto redujeron la obtención de la información básica de los graduados. Como resultados se identificó que, más allá de las dificultades de acceder a la información, el método de consecución de datos de contacto de los graduados de IES a partir de las RRSS, permitió obtener otros datos entregados por los buscadores que pueden ser sujetos para estudios posteriores como por ejemplo las empresas contratantes o en las que ha estado vinculado, sectores económicos o lugares de residencia. Como conclusión de este proyecto aplicado se identificó que las IES pueden considerar y emplear las RRSS como una herramienta adicional que les permitirá cerrar la brecha con sus graduados y así, reducir el número de graduados de quienes no tienen información de contacto y de esta forma, realimentar sus bases de datos para tener otros mecanismos de aprovechamiento de la información tanto en la oficina de graduados, como de otras instancias dentro de las IES para mejorar y enriquecer la oferta académica a partir de la retroalimentación de sus egresados.; A method of searching for graduate data without contact information from Higher Education Institutions (HEI) is proposed, based on indexed queries of public data in Social Networks (RRSS) such as Facebook or LinkedIn to facilitate a first interaction and information feed of graduates. The information consulted was classified to determine its relevance and veracity as a filter prior to storage. The methodology is an applied research where the analysis of access to information from social networks (primary source) and search engines (secondary source), determined the development of the project, since access to information and obtaining permissions were important limitations that in effect reduced the obtaining of basic information from graduates. As results, it was identified that, beyond the difficulties in accessing information, the method of obtaining contact data of IES graduates from the RRSS, allowed obtaining other data provided by search engines that can be subject for further studies, such as the hiring companies or those in which they have been linked, economic sectors or places of residence. As a conclusion of this applied project, it was identified that HEIs can consider and use SSRs as an additional tool that will allow them to close the gap with their graduates and thus reduce the number of graduates for whom they do not have contact information and, in this way, feed their databases to have other mechanisms to take advantage of the information both in the graduates' office and in other instances within HEIs to improve and enrich the academic offer based on feedback from their graduates.
2021-01-01T00:00:00ZFramework para el Aprendizaje de Redes Neuronales ProfundasAnzola Avila, AlejandroMoreno Silva, Juan Andreshttps://repositorio.escuelaing.edu.co/handle/001/12362021-10-01T22:25:06Z2020-01-01T00:00:00ZFramework para el Aprendizaje de Redes Neuronales Profundas
Anzola Avila, Alejandro; Moreno Silva, Juan Andres
El aprendizaje automático es un campo de la inteligencia artificial que se ha desarrollado exponencialmente en los últimos años gracias a la inmensa cantidad de datos disponibles, al enorme poder de procesamiento con el que ahora se cuenta y a las innovaciones tecnológicas que se han logrado en este campo. Dentro de las grandes fortalezas que ofrece esta tecnología es la de poder resolver una amplia cantidad de problemas de diferentes dominios y áreas del conocimiento, e incluso es posible reusar el conocimiento y el modelo obtenido al resolver un problema en problemas de dominios similares.
Uno de los principales actores en esta revolución son las redes neuronales, que pertenecen al campo del aprendizaje automático. Esta tecnología nos permite resolver una infinidad de problemas, desde clasificar números hasta generar código dado una instrucción en lenguaje natural.
Sin embargo, esta tecnología tiene una curva de aprendizaje elevada. Nuestra solución a este problema es ofrecer recursos de aprendizaje de redes neuronales para que el estudiante pueda aprender conceptos bases a través de la experimentación y la extensión de los mismos. Los recursos desarrollados son (i) un framework de aprendizaje (marco de trabajo) y (ii) un conjunto de casos problema-solución.
El framework (marco de trabajo) permite que los estudiantes puedan construir y probar modelos de redes neuronales. Este framework está diseñado con el fin de ser una ayuda para la comprensión de conceptos claves a novatos interesadas en el campo, siguiendo lineamientos de buenas practicas de ingeniería de software.
El framework está pensado para representar los conceptos base de inteligencia artificial, de manera suficientemente general como para poder extenderlo para implementar diferentes modelos de redes neuronales. Para esto, el framework cuenta con distintos componentes extensibles que corresponden a los principales conceptos de redes neuronales. Dentro de estos componentes se encuentran: los tipos de redes neuronales (profundas, recurrentes y convolucionales); las funciones de activación y costo; los mecanismos de regularización y optimización, entre otros.
En el conjunto de casos problema-solución se trabajaron tres problemas clásicos y un problema especializado en el área de hidrología. Los problemas clásicos seleccionados fueron la clasificación de dígitos escritos a mano con redes densas y convolucionales y la clasificación de textos (positivos ó negativos) con redes recurrentes. El problema en hidrología fue la predicción de un caudal en el río Magdalena, en este trabajo se realizaron dos modelos con el fin de evaluarlas: un perceptrón multicapas (MLP por sus siglas en inglés (MultiLayerPerceptron) y un modelo secuencial de capas con memoria (LSTM por sus siglas en inglés (LongShort Term Memory) ) con el fin de evaluarlas.
Los casos desarrollados nos permitieron, además de generar recursos de aprendizaje, probar la versatilidad del framework. En tres de los cuatro casos se comprobó el desempeño adecuado del framework. El caso que no fue posible implementar fue el de redes neuronales recurrentes por problemas de alcance; sin embargo, están consideradas en el diseño de la estructura del framework.
En la implementación de los casos se evidenció que el framework trabaja alineado con la filosofía de buenas practicas de desarrollo de software. En particular, en la implementación del problema en hidrología, se demostró que esta especialmente diseñado para tener fácil extensibilidad.
Una de las métricas de desempeño que se tomaron fueron los tiempos de entrenamiento, aunque no es parte de los objetivos, de forma que se tuviera una forma de comparación en ese aspecto. No fue inesperado encontrar que el desempeño en Keras supero considerablemente a la implementación hecha en el framework.
Finalmente, uno de los aspectos claves del framework es que fue diseñado con modelos supervisados en mente, lo cual permite extenderlo con modelos supervisados diferentes a las redes neuronales. Como trabajo futuro se desea incluir las lineas de aprendizaje no-supervisado ó aprendizaje reforzado.; Machine Learning is a field of artificial intelligence that has been developing exponentially in the last few years due to the immense amount of data, processing power, and technology innovations. Among the great strengths that this technology offers is the vast amount of problems from different domains and knowledge fields. It is even possible to reuse knowledge and models obtained after solving a problem from a similar field.
One of the main actors in this revolution is the neural networks technology, which is part of the field of machine learning. This technology lets us solve an infinite amount of problems, from classifying written numbers to source code generation from natural language.
However, this technology has a very steep learning curve. Our solution to this problem is to offer neural network learning resources to help students learn base concepts through experimentation and extension. The developed resources are (i) a learning framework and (ii) a set of problem-solution cases.
The framework lets students build and test neural network models. This framework is designed to aid newcomers interested in the field to understand base concepts, following software engineering best practices.
This framework is built to represent artificial intelligence base concepts, in a way general enough to be extensible to different neural network models. To achieve this, the framework has various extensible components that correspond to different main concepts of neural networks. Among these components are (i) neural network types (deep, recurrent, and convolutional); (ii) activation and loss functions; and (iii) regularization and optimization mechanisms.
In the set of problem-solution cases, there are three classic problems and one specialized problem in the field of hydrology. The classic problems selected are handwritten digits with dense and convolutional networks, and positive-negative text classification with recurrent networks. The hydrology problem was the prediction of flow in the Magdalena river; in this work, we made two models to evaluate them: a multilayer perceptron (MLP for short) and a Long-short Term Memory (LSTM for short) for evaluation.
The cases developed allowed us to test the versatility of our framework in addition to having learning resources. In three of the four cases, the performance of the framework was verified and deemed appropriate. The case that could not be implemented was the one that required recurrent neural networks due to encountered scope problems; however, recurrent neural networks are considered in the framework structure's design.
In the implementation of the cases, it could be seen that the framework works aligned with the philosophy of good software development practices. In particular, in the implementation of the hydrology problem, it was shown that it is easy to extend.
One of the performance metrics that were taken was training times to have a way of comparing them, although it is not part of our objectives. It was not unexpected to find that Keras' performance is considerably superior to the implementation made in our framework.
Finally, one of our framework's key aspects is that it was designed with only supervised models in mind, which only allows it to be extended to supervised models other than neural networks. The addition of unsupervised learning or reinforced learning is future work.
2020-01-01T00:00:00Z