Técnicas en Aprendizaje Estadístico
Técnicas en Aprendizaje Estadístico
Técnicas en Aprendizaje Estadístico (TAE) es un curso de la Universidad Nacional de Colombia - Sede Medellín que es ofrecido por el Departamento de Ciencias de la Computación de la Facultad de Minas. Dicha asignatura es de 3 créditos, y actualmente es dictada por el docente Juan David Ospina Arango.
Este curso abarca temas como redes neuronales, sistemas difusos, metaheurística y aprendizaje estadístico. Donde los estudiantes al culminar el curso podrán diseñar, implementar y validar.
Así, TAE tiene como objetivos el introducir los aspectos prácticos del análisis simultáneo de varias variables (construcción de bases de datos, muestreo, modelamiento y presentación de resultados a un público no estadístico), y el de poder tener una visión global del aprendizaje estadístico que incluya técnicas con origen en la estadística y aprendizaje de máquinas. (Ospina, 2021).
Repositorio (TAE)
Dicho lo anterior, acá se encuentra un repositorio de los trabajos abarcados en el transcurso de la asignatura:
Trabajo 1 - Análisis, Predicción y Pronóstico de la Accidentalidad en la ciudad de Medellín (2014-2021)
En este trabajo se abordó el problema de predecir la accidentalidad en la ciudad de Medellín a partir de la historia reciente de los accidentes reportados.
Enlace del reporte: https://rpubs.com/santosb1205/accmedtae21
Enlace del repositorio GitHub: https://github.com/daatoroag/PROYECTOS-TAE/tree/main/Primera%20entrega
Enlace de la aplicación: https://accidentalidad-medallo.shinyapps.io/shinyweb/
Trabajo 2 - Predicción del Número de Vehículos Registrados en el Sistema de Tránsito Nacional
En este trabajo se abordó el problema de crear un modelo para predecir el número de vehículos registrados diariamente en el Registro Único Nacional de Tránsito (RUNT).
Enlace del reporte: https://rpubs.com/Juanes35/predicionRUNT
Enlace del repositorio GitHub: https://github.com/daatoroag/PROYECTOS-TAE/tree/main/Segunda%20entrega
Trabajo 3 - Clasificación de imágenes a través de la Identificación de Rostros con Lentes o sin Lentes
En este trabajo se abordó el problema de clasificar imágenes utilizando técnicas en aprendizaje estadístico.
Enlace del reporte: https://rpubs.com/santosb1205/gafas_nogafas
Enlace del repositorio GiHhub: https://github.com/daatoroag/PROYECTOS-TAE/tree/main/Tercera%20entrega
Trabajo 4 - Arte Generativo
En este trabajo se abordó la mayoría de métodos vistos en el curso para producir una colección de imágenes artísticas. Donde el arte generativo para las matemáticas, la programación y el aprendizaje de máquina, se utiliza para crear objetos percibidos como arte por observadores humanos. Dichos objetos pueden ser piezas musicales, imágenes, vídeos, textos, entre otros.
Enlace del reporte: https://rpubs.com/Juanes35/generative_art
Enlace del repositorio GitHub: https://github.com/daatoroag/PROYECTOS-TAE/tree/main/Cuarta%20entrega
Bibliografía
Alcaldía de Medellín. (2021). OpenData, URL:https://geomedellin-m-medellin.opendata.arcgis.com/datasets/M-Medellin::limite-barrio-vereda-catastral/about
B, Leif. (2017). Applied Underwater Acoustics (Pages 889-947). Ámsterdam: Elsevier.
Incidentes viales. (2021). URL: http://medata.gov.co/dataset/incidentes-viales
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. New York: Springer.
Johnson, D. (2021). GLM in R: Generalized Linear Model with Example. Guru99. Obtenido de https://www.guru99.com/r-generalized-linear-model.html
Kumar, S. (2020). Advanced Analytics, Machine Learning, Artificial Intelligence: Experiments in Generative Art with RStats. AAMLAI. Obtenido de https://www.aamlai.com/2020/05/27/experiments-in-generative-art-with-rstats/
Murcia, U. d. (2006). Obtenido de https://www.um.es/geograf/sigmur/temariohtml/node74.html
Nisbet, R., Miner, G., & Yale, K. (2018). Handbook of Statistical Analysis and Data Mining Applications (Second Edition). Ámsterdam: Elsevier.
Ospina J. (2021). Técnicas en Aprendizaje Estadístico. Material de Clase TAE virtual: Semestre 2021-II.
Tech, T. (2021). Obtenido de https://empresas.blogthinkbig.com/como-interpretar-la-matriz-de-confusion-ejemplo-practico/
Urgiles, J. (2019). El arte generativo, entre la ciencia computacional y la creatividad artística. Ucuenca. Obtenido de https://www.ucuenca.edu.ec/component/content/article/233-espanol/investigacion/blog-de-ciencia/1387-arte-jose-urgiles?Itemid=437
Xie, Y., Dervieux, C., & Riederer, E. (2022). R Markdown Cookbook. Obtenido de https://bookdown.org/yihui/rmarkdown-cookbook/
Zieffler, A. (2018). R Markdown Theme Gallery. Obtenido de https://www.datadreaming.org/post/r-markdown-theme-gallery/