Programa de Matemáticas Aplicadas y Ciencias de la Computación - MACC

URI permanente para esta colección

https://repository.urosario.edu.co/handle/10336/31543

Nuestro programa de Matemáticas Aplicadas y Ciencias de la Computación, MACC, es la elección ideal para aquellos estudiantes que quieran crear y liderar la transformación digital en el marco de la Revolución 4.0. Estudiar MACC les permitirá comprender el mundo mediante el lenguaje de las matemáticas y las ciencias de la computación. Contamos con líneas de profundización que responden a las necesidades de la Revolución 4.0 y que están encaminadas a que los estudiantes amplíen sus oportunidades laborales en una economía digital. Nuestros egresados tendrán la capacidad de crear puentes entre problemas reales y soluciones digitales, generando transferencia de tecnología y de conocimiento.

Examinar

Envíos recientes

Mostrando1 - 5 de 13
  • Miniatura
    Ítem
    Embargo
    Beyond Perfection: About learning from errors, NAO, and the World of Virtual Reality
    (2023-07-04) Acosta Castillo, Dana Isabella; Jiménez Hernández, Mario Fernando
    La realidad virtual (VR) ha experimentado avances significativos en los últimos años gracias a los avances tecnológicos. Se ha convertido en un factor clave en varios campos, incluida la interacción humano-robot (HRI, por sus siglas en inglés). En los estudios de HRI, se observó que las pruebas requerían muchos recursos y protocolos largos y consumidores de tiempo. La VR se utiliza cada vez más para probar robots, ya que permite crear entornos sin consumir tantos recursos. Esto es especialmente evidente en la educación, donde la tecnología de VR se utiliza para crear experiencias de aprendizaje inmersivas, como viajes virtuales que permiten a los estudiantes explorar sitios históricos y fenómenos científicos sin salir del aula. Además, la VR ofrece beneficios económicos al optimizar el tiempo, el espacio y los recursos. La telepresencia es una aplicación crítica de la VR en la relación HRI, permitiendo a los usuarios controlar y interactuar con robots de forma remota, mejorando la calidad y efectividad de la comunicación y la interacción entre humanos y robots. Se mencionan avances significativos en la historia de la robótica, desde Leonardo Da Vinci hasta robots modernos utilizados en tareas de asistencia, fabricación y más. La interacción natural entre humanos y robots es esencial, especialmente en tareas colaborativas, como la fabricación. Para lograr una interacción natural, es necesario comprender cómo los humanos se comunican entre sí, así como cómo perciben y responden a los robots. Esta información se utiliza para desarrollar protocolos de comunicación efectiva entre humanos y robots y para diseñar robots que puedan transmitir información y responder a las señales humanas de manera efectiva. La colaboración entre humanos y robots (HRC) se centra en estudiar y mejorar la relación entre humanos y robots que trabajan juntos en tareas comunes. La implementación de HRC suele ser costosa debido a los altos costos de robots, sensores y espacios controlados. La VR se presenta como una alternativa para reducir costos y facilitar este tipo de estudios. La investigación sugiere que las experiencias de VR son más cercanas a las interacciones con un robot real y que las pruebas en VR son más confiables y transferibles a las habilidades de un robot real. El estudio propone un taller de HRC basado en la VR para evaluar su viabilidad en comparación con las pruebas físicas en términos de eficiencia, costo y estrategia. También busca comparar los resultados y comportamientos de los participantes en entornos físicos y virtuales. La investigación se enfoca en el efecto Pratfall en humanos y robots y sus implicaciones para el desarrollo y uso de robots en entornos que requieren empatía e interacción social. Se llevan a cabo encuestas en dos grupos: uno en un entorno físico y otro en VR, recopilando datos para analizar resultados y discutir posibles influencias de género en las percepciones y respuestas de los participantes. El estudio se organiza en varias secciones que cubren antecedentes, métodos, resultados y discusiones, y concluye con reflexiones sobre futuros trabajos basados en los hallazgos del estudio.
  • Miniatura
    Ítem
    Acceso Abierto
    Enhancing performance in special teams within the NFL through reinforcement learning: A data-driven approach
    (2023-07-25) Alvarez Barbosa, Santiago; Caicedo Dorado, Alexander
    La tesis exploró la integración de la Ciencia de Datos y la Inteligencia Artificial en los equipos especiales de fútbol americano. Se utilizó el conjunto de datos NFL Big Data Bowl 2022 y la API de OpenAI Gym para crear un entorno de entrenamiento dinámico. Se entrenaron dos conjuntos de agentes que representaban diferentes posiciones dentro de los equipos especiales con el objetivo de aprender estrategias óptimas para alcanzar sus objetivos. El propósito era proporcionar información a los entrenadores, mejorar los procesos de toma de decisiones y aumentar el rendimiento en jugadas específicas.
  • Miniatura
    Ítem
    Acceso Abierto
    Aprendizaje de máquina aplicado al control
    (2023-02-17) Rambaut Lemus, Daniel Felipe; Obando Bravo, Germán Dario
    El objetivo de este trabajo es emular la acción de un controlador utilizando modelos de inteligencia artificial (IA). Para ello, se empleó como planta un sistema de segundo orden que describe la temperatura en un cuarto. Sobre dicha planta, se diseña un controlador predictivo basado en modelo (MPC, por sus siglas en inglés) como referencia para entrenar los algoritmos de IA. MPC es un método que utiliza modelos matemáticos para predecir el comportamiento futuro del sistema y tomar acciones de control óptimas en función de ciertos objetivos preestablecidos. La emulación del controlador puede plantearse como un problema de regresión, por lo tanto se emplearon tres de los modelos más populares de IA para efectuar regresiones: regresión lineal, vectores de soporte y redes neuronales. Para el entrenamiento de los modelos de IA, se utilizó una base de datos generada al simular el comportamiento del controlador MPC sobre la planta de temperatura. Se realizaron diferentes pruebas para evaluar el desempeño de los modelos de IA comparándolos con el controlador MPC. Los resultados mostraron que los modelos de IA pueden ser utilizados con éxito para emular dicho controlador con la ventaja de tener un menor costo computacional. En este sentido, cabe resaltar que MPC necesita resolver iterativamente un problema de optimización, mientras que los algoritmos de IA usados sólo requieren evaluar cierta función (que se obtiene al entrenar los modelos) en cada iteración de control. En conclusión, esta investigación es un primer paso exitoso en un camino prometedor: el uso de IA para el control de procesos dinámicos.
  • Miniatura
    Ítem
    Acceso Abierto
    Teoría de la información y la compresión de cadenas
    (2022-11-23) Hernández Ramírez, Esteban; Álvarez Cabrera, Carlos Eduardo
    El problema de la compresión sin perdida consiste en implementar la codificación (únicamente decodificable) de un alfabeto, que asigna a cada cadena de símbolos del alfabeto el código de menor longitud posible. Encontrar esta representación de menor tamaño de un conjunto de datos puede ahorrar costos en el espacio de almacenamiento, tiempo en transferencia de los datos o número de operaciones en su procesamiento, dentro de un computador. Lo anterior hace de la compresión sin perdida un objetivo razonable dentro de las Ciencias de la Computación y representa un reto importante durante el desarrollo de muchas soluciones tecnológicas. La teoría de la información, por su parte, ha establecido el formalismo matemático necesario para el estudio de medidas cuantitativas de información como la entropía de Shannon y ha encontrado su lugar dentro de la implementación de la compresión sin perdida al proveer algunas de las herramientas teóricas necesarias para el estudio de los modelos que describen las fuentes de datos en la teoría de la codificación. Por otro lado, la cercana relación que se ha encontrado entre la teoría de la información y la teoría de la compresión sin perdida ha motivado a muchos autores a ingeniar formas de medir a través de la compresión de archivos la información en ellos. Lo que ha resultado en interesantes aplicaciones de la compresión sin perdida en el aprendizaje automático, particularmente, en la clasificación de textos escritos en lenguaje natural o cadenas de ADN. En este escrito, se presenta una revisión monográfica acerca de cómo la teoría de la información se aplica a la compresión sin perdida. Para esto, se presentan algunas de las implementaciones de la compresión sin perdida en la teoría de códigos y sus respectivos análisis. Las demostraciones, gráficas, algoritmos e implementaciones en este escrito generalizan algunos de los hechos más importantes acerca de codificaciones binarias que se han enunciado en la literatura, al caso general de alfabetos de tamaños arbitrarios. Finalmente, se presenta una aplicación de la compresión sin perdida al aprendizaje automático de máquina, para la clasificación del lenguaje natural, mediante la aplicación del algoritmo de codificación LZ77 para estimar algunas medidas de información bien conocidas en la literatura, las cuales se emplean como medida de distancia para comparar los lenguajes entre sí. El resultado de la clasificación es presentado en la forma de árboles filogenéticos del lenguaje natural
  • Miniatura
    Ítem
    Acceso Abierto
    Automatic determination of the learning rate for multivariate and multinomial regression models
    (2022-11-25) Acosta Fajardo, Manuela; Caicedo Dorado, Alexander
    A lo largo de los años, la inteligencia artificial se ha convertido en un campo ampliamente investigado y aplicado, como resultado de los importantes avances tecnológicos y la expansión de los recursos informáticos. La inteligencia artificial intenta no solo comprender cómo funciona la mente humana, sino también desarrollar sistemas que puedan imitar el comportamiento humano. El aprendizaje automático es una de las principales ramas de la inteligencia artificial y su objetivo es construir y mejorar modelos que puedan aprender de un conjunto de datos y de la experiencia, a través de métodos computacionales, sin necesidad de ser programados explícitamente. Los algoritmos de aprendizaje automático construyen modelos basados en datos de muestra, con el fin de hacer predicciones o decisiones, y se utilizan en diferentes aplicaciones, como medicina, visión artificial, clasificación de imágenes, entre otras. Un algoritmo de aprendizaje automático es un programa que encuentra patrones o hace predicciones a partir de datos nunca antes vistos. Dependiendo de los objetivos del algoritmo, así como de los datos utilizados, existen diferentes tipos de modelos de aprendizaje: aprendizaje supervisado, aprendizaje no supervisado y aprendizaje por refuerzo. Uno de los algoritmos de aprendizaje más comunes es Gradient Descent, que se utiliza para encontrar un mínimo local de una función diferenciable. Funciona dando pasos repetidos en la dirección opuesta al gradiente de la función. El tamaño de los pasos tomados por el algoritmo de descenso de gradiente está determinado por un hiperparámetro conocido como Tasa de aprendizaje. Este parámetro indica qué tan rápido o lento es el movimiento hacia los parámetros óptimos del algoritmo. Por lo general, se configura manualmente. Sin embargo, para alcanzar los mínimos de función es necesario establecer una tasa de aprendizaje adecuada, es decir, ni demasiado grande ni demasiado pequeña. En el primer caso, los pasos dados son demasiado grandes y, en consecuencia, el algoritmo puede divergir. Por el contrario, si la tasa de aprendizaje es demasiado pequeña, resulta en un aprendizaje lento y el algoritmo tampoco podría converger nunca. La mayoría de las veces se desea un aprendizaje rápido, por lo que se pueden seleccionar altas tasas de aprendizaje. Sin embargo, es importante seleccionar el valor adecuado para este parámetro, de modo que se pueda garantizar la convergencia del algoritmo. En (2021, Ruiz) se presentó un método para determinar un límite superior para la tasa de aprendizaje de modelos basados en modelos de regresión lineal, haciendo un análisis del algoritmo de gradiente descendente como un sistema dinámico discreto. Este trabajo de tesis pretende extender estos resultados a modelos basados en clasificación y regresión multinomial. También buscamos encontrar un valor óptimo para la tasa de aprendizaje para estos métodos. A lo largo de esta tesis se desarrolla un algoritmo que determina automáticamente un valor óptimo para la tasa de aprendizaje de los modelos de clasificación y regresión. En primer lugar, los resultados obtenidos para los modelos de regresión lineal se generalizan a otras funciones de activación. Como resultado, se encuentran un límite superior y un valor óptimo para la tasa de aprendizaje para los modelos que usan regresión y clasificación. Luego, los resultados obtenidos se extienden a un modelo de regresión multinomial. Proponemos un análisis del descenso de gradiente como un sistema dinámico discreto, donde la cota superior surge como criterio para determinar la estabilidad de este sistema. Además, presentamos un valor óptimo para la tasa de aprendizaje, que minimiza la suma de las distancias de los polos extremos del sistema dinámico estudiado. Este análisis se realiza linealizando el algoritmo de descenso de gradiente y aplicándolo a la regresión lineal, logística y multinomial. El límite superior y el valor óptimo de la tasa de aprendizaje son aproximaciones al valor óptimo que garantizan la convergencia más rápida del algoritmo. Presentamos simulaciones y experimentos para comprobar los resultados obtenidos. Primero los probamos con ejemplos de juguetes, creando manualmente los datos para estudiar el comportamiento del algoritmo para el modelo de regresión lineal y logística. Luego, validamos nuestro enfoque en conjuntos de datos reales. Los resultados muestran que, aunque la tasa de aprendizaje máxima, que viene dada por la cota superior, parece hacer que el algoritmo converja más rápido que la tasa de aprendizaje óptima para el caso logístico y multinomial, es mejor utilizar este último valor, ya que garantiza una convergencia suave y relativamente rápida al mínimo en todos los casos