Examinando por Autor "Tabares Soto, Reinel"

Mostrando 1 - 3 de 3

Convolutional Neural Networks for Image Steganalysis in the Spatial Domain
(Universidad Autónoma de Manizales, 2021) Tabares Soto, Reinel; Ramos Pollán, Raúl; Isaza Echeverri, Gustavo
Esta tesis doctoral muestra los resultados obtenidos al aplicar Redes Neuronales Convolucionales (CNNs) para el estegoanálisis de imágenes digitales en el dominio espacial. La esteganografía consiste en ocultar mensajes dentro de un objeto conocido como portador para establecer un canal de comunicación encubierto para que el acto de comunicación pase desapercibido para los observadores que tienen acceso a ese canal. Steganalysis se dedica a detectar mensajes ocultos mediante esteganografía; estos mensajes pueden estar implícitos en diferentes tipos de medios, como imágenes digitales, archivos de video, archivos de audio o texto sin formato. Desde 2014, los investigadores se han interesado especialmente en aplicar técnicas de Deep Learning (DL) para lograr resultados que superen los métodos tradicionales de Machine Learning (ML).
Mejora de la capacidad del proceso operativo de una empresa de recolección de residuos sólidos urbanos, integrando Lean Six Sigma y ciencia de datos
(Universidad Autónoma de Manizales, 2022) Valencia Díaz, Mario Andrés; Tabares Soto, Reinel; Jiménez Varón, Cristian Felipe; Orozco Arias, Simón
Éste trabajo de investigación determina las acciones de mejora en la capacidad del proceso de recolección de residuos sólidos urbanos integrando Lean Six Sigma y Ciencia de Datos, para un caso de estudio en la ciudad de Manizales Caldas; lo anterior, con el fin de optimizar procesos logísticos en la recolección de residuos sólidos urbanos. Este proyecto partió de un enfoque cuantitativo no experimental, iniciando con la extracción de los datos del sistema de información GEOASEO, identificando y caracterizando las variables del modelo de datos hasta el entrenamiento de modelos que permiten la predicción del tiempo y las toneladas recogidas del proceso, como variables de calidad requeridas para este modelo de negocio. Esta investigación es aplicada a la industria de recolección de las ciudades, utilizando herramientas de Lean Six Sigma innovando su análisis al incluir la ciencia de datos como elemento estratégico en la selección de la relación entre las variables y el entrenamiento de los modelos que permiten predecir el comportamiento del sistema en su estado actual; además integró el resultado de la capacidad del proceso, los sistemas de gestión actuales en el caso de estudio. En este sentido, esta investigación se permite argumentar la necesidad de ajustar las planeaciones estratégicas por medio del análisis histórico de los datos y de máquinas de aprendizaje que retroalimentan las condiciones cambiantes del modelo. La solución presentada permite dar respuesta a la necesidad específica de optimizar el proceso de recolección de residuos sólidos urbanos, para este caso, en la cuidad de Manizales.
Modelo de clasificación de incidencias utilizando aprendizaje de máquina para la empresa sigma ingeniería s.a en la línea de soporte técnico
(Universidad Autónoma de Manizales, 2022) Arias Barahona, María Ximena; Tabares Soto, Reinel; Orozco Arias, Simón; Flórez, Juan Camilo
La Inteligencia Artificial es uno de los componentes reconocidos por su potencial para transformar radicalmente el modo en el que vivimos actualmente. Hace posible que las máquinas aprendan de la experiencia, se ajusten a nuevas aportaciones y realicen tareas emulando a seres humanos. Esta investigación se centra en el ámbito empresarial y propone el desarrollo de un modelo computacional de clasificación de incidencias utilizando Aprendizaje Automático (ML por sus siglas en inglés) y Procesamiento de Lenguaje Natural (NLP por sus siglas en inglés) enfocado al área de soporte técnico en una empresa de desarrollo de software que actualmente resuelve los requerimientos de los clientes de forma manual. A través de técnicas de ML y NLP aplicadas a los datos de la empresa, es posible conocer la categoría de una solicitud dada por el cliente. Este proceso permite aumentar la satisfacción del cliente al revisar los registros históricos para analizar su comportamiento y proporcionar correctamente el protocolo de solución esperada a las incidencias presentadas. Además, reduce el coste y el tiempo dedicado a la gestión relacional con el consumidor potencial. Este modelo evalúa diferentes técnicas de ML como Máquinas de Vectores de Soporte (SVM por sus siglas en inglés), Árboles Adicionales, Bosques Aleatorios, Regresión Logística, Árboles de Decisión, Análisis Discriminante Lineal, Naïve Bayes y K Vecinos más cercanos. El algoritmo SVM entrega el mayor desempeño, con un 90.47% de exactitud, una precisión de 91.21%, un Recall de 90.47% y un F1-Score de 90.29%, aplicando técnicas de preprocesamiento, balanceo de clases y optimización de hiperparámetros.