Lights
Please use this identifier to cite or link to this item: https://repositorio.unemi.edu.ec/xmlui/handle/123456789/6899
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorAvilés Noles, Manuel Andrés-
dc.contributor.authorCoronel Reyes, José Julián-
dc.date.accessioned2023-03-08T17:24:17Z-
dc.date.available2023-03-08T17:24:17Z-
dc.date.issued2023-
dc.identifier.urihttp://repositorio.unemi.edu.ec/xmlui/handle/123456789/6899-
dc.description.abstractEl trabajo de titulación plantea como objetivo general de investigación aplicar las diferentes técnicas de aprendizaje automático en la clasificación de variedades de granos en arroz La calidad del grano de arroz se determina habitualmente mediante inspecciones visuales y mediciones manuales método que es lento subjetivo y propenso a errores humanos Por lo tanto la industria demanda una técnica rápida y precisa que pueda clasificar el grano de arroz a bajo costo y estandarizarlo Por medio del aprendizaje automático se puede desarrollar modelos de decisión en entornos eminentemente complejos y no lineales Este estudio se enmarca en un diseño de investigación cuantitativa consiste en la recolección de datos numéricos para su posterior análisis e interpretación utilizando herramientas de análisis matemático y estadístico para describir y explicar fenómenos mediante datos numéricos El tipo de la investigación es causal comparativa dado que se comparan diferentes técnicas de aprendizaje automático en el proceso de clasificación de granos de arroz La clasificación fue binaria se consideró como población de estudio a los 3.810 granos de dos variedades del Instituto Nacional de Investigación Agropecuaria 14 (2.180) y 17 (1.630) Las técnicas que fueron empleadas están basadas en cinco modelos utilizando los siguientes algoritmos regresión logística Perceptrón Multicapa Máquina de Vectores de Apoyo Bosque Aleatorio y K Vecino Más Cercano Las mediciones estadísticas de la matriz de confusión como resultado de la clasificación se utilizaron como métricas de rendimiento Los resultados permiten concluir que el modelo regresión logística es el mejor método de clasificación debido a su mejor predicción de los valores obtenidos de verdaderos positivos y verdaderos negativos además la media de la precisión del modelo fue de 93,02% superior a los otros modelos El desarrollo de este trabajo permite llegar a la conclusión de que el uso del aprendizaje automático en la industria arrocera es aplicable para el apoyo en la toma las decisiones basadas en el desarrollo del proceso de clasificación del granoes_ES
dc.formatapplication/pdfes_ES
dc.language.isoeses_ES
dc.rightsopenAccesses_ES
dc.subjectCLASIFICACIÓN DEL ARROZes_ES
dc.subjectAPRENDIZAJEes_ES
dc.subjectAUTOMATICOes_ES
dc.subjectMATRIZ DE CONFUSIÓNes_ES
dc.subjectVALIDACIÓN CRUZADAes_ES
dc.subjectMÉTRICAS DE RENDIMIENTOes_ES
dc.titleDesarrollo del Proceso de Clasificación en Granos de Arroz (Oryza Sativa L) utilizando Técnicas de Aprendizaje Automáticoes_ES
dc.typemasterThesises_ES
dc.unemi.cedula07046565387es_ES
dc.source.reponameRepositorio de la Universidad Estatal de Milagroes_ES
dc.source.instnameUniversidad Estatal de Milagroes_ES
dc.unemi.typesenescytProyecto de Investigacion y Desarrolloes_ES
Appears in Collections:Tesis de Maestría en Sistemas de Información en línea

Files in This Item:
File Description SizeFormat 
JOSE JULIAN CORONEL REYES.pdf1.13 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.