Departamento de Ciencias de la Computación

Permanent URI for this community

https://hdl.handle.net/20.500.12590/17959

Browse

Now showing 1 - 8 of 8

Acelerando el tiempo de busqueda en consultas de tipo Timebox en series de tiempo usando el Segment Buddy Tree con Range Maximun-Minimum Query
(Universidad Católica San Pablo, 2024) Velasquez Rios, Diego Arturo; Gomez Nieto, Erick Mauricio
Las series de tiempo son esenciales en una variedad de campos, incluidas las finanzas, la meteorología, la salud y la informática urbana, entre otros. Estos datos se generan y almacenan a un ritmo cada vez mayor. Los analistas generalmente necesitan explorar, comparar y relacionar los datos de múltiples series de tiempo cuyos números pueden oscilar desde las decenas hasta los millares; por ejemplo, múltiples acciones de la bolsa de valores, consumo de energía de las máquinas, etc. llegando a ser millones de datos a explorar. Actualmente, existe una gran demanda para la exploración de datos de series de tiempo a gran escala. Sin embargo, las consultas usadas han demostrado tener un tiempo linealmente proporcional al tamaño de las series de tiempo, lo que las hace poco prácticas. Una de estas consultas difíciles es la consulta de tipo Timebox. En esta investigación, proponemos acelerar la consulta de tipo Timebox haciendo uso de la estructura de datos Buddy Tree y filtrando los resultados con consultas de Range Minimum/Maximum Query (RMQ). Este tipo de búsqueda ha sido recientemente abordado; a diferencia de los resultados obtenidos por el KD-Box, nuestros resultados son obtenidos a partir del conjunto total de datos y no con aproximaciones de las series de tiempo, esto elimina la posibilidad de obtener series que no pertenecen al Timebox y series de tiempo que perteneciendo no son encontradas por el método de búsqueda. Para comprobar nuestras hipótesis realizamos un conjunto de experimentos que evidencian la eficiencia de nuestra propuesta
An interactive visualization method for scientific literature exploration based on textual and image content
(Universidad Católica San Pablo, 2020) Pocco Lozada, Ximena Sofia; Gomez Nieto, Erick Mauricio
Not available.
Detección automática y análisis de puntos con alta frecuencia (hotspots) de crímenes en centros urbanos usando aprendizaje profundo
(Universidad Católica San Pablo, 2024) Salas Luna, Luis Enrrique; Gomez Nieto, Erick Mauricio
A medida que los datos urbanos provenientes de ciudades crecen, se requieren nuevas formas de procesamiento y visualización, tanto para poder tratarlos como para obtener información útil y fácilmente interpretable, por lo que este trabajo presenta una metodología de procesamiento de datos orientado a la detección temprana de crimen. Abarcaremos tanto la recopilación de datos de centros urbanos mediante el uso de bases de datos y APIs de acceso público, la discretización de datos espaciales que permite una interpretación a nivel de calle de un centro poblado, como la implementación de un modelo predictivo que utiliza información espacio-temporal para dar una estimación de áreas propensas a un incidente delictivo con precisión aceptable. Se utilizar aprendizaje profundo como redes recurrentes y redes convoluciones, así como redes basadas en grafos.
Una estructura de datos para la consulta visual interactiva por similitud de grandes volúmenes de datos multidimensionales mixtos georeferenciados
(Universidad Católica San Pablo, 2021) Reyna Garcia, Victor Raul Stanilao; Gomez Nieto, Erick Mauricio
Actualmente, la visualization de big data representa un gran desafío a los analistas. La mixtura y el alto número de dimensiones en los datos, dificulta realizar consultas en tiempo real. Frente a ello, se propone una nueva forma de indizar grandes volúmenes de datos estáticos multidimensionales de tipos mixtos. Con el propósito de ejecutar simples consultas visuales de similitud sobre estos conjuntos de datos, las cuales estarán asociadas a una ubicación geográfica. Nuestra propuesta presenta una versión inicial donde se utilizó métodos de reducción de dimensionalidad con el propósito de mapear nuestro conjunto de datos a un espacio unidimensional, para luego organizarlos por su similitud. Posteriormente, se desarrolló una siguiente versión, mejorando las desventajas de la anterior. El cual mantiene el cálculo de la matriz de distancias de Gower, pero a partir de este se construye un árbol de similitud, que está conectado a una estructura espacial conocida como QuadTree. Adicionalmente, se presenta un prototipo de análisis exploratorio, que nos permite explotar al máximo las capacidades a ser incluidas en la estructura de datos.
Generación interactiva de ensambles de métodos de agrupamiento para análisis de datos multidimensionales
(Universidad Católica San Pablo, 2020) Castro Ochante, Jose Melchor; Gomez Nieto, Erick Mauricio
El aprendizaje de maquina se ha aplicado con éxito a una gran variedad de campos que va desde la recuperación de información, extracción de datos, reconocimiento de voz y gráficos por computadora, visualización e interacción humano-computador. Los métodos de agrupación son los algo- ritmos más utilizados para el aprendizaje no supervisado. Sin embargo, no existe un único agrupamiento óptimo para todos los conjuntos de datos, ya que diferentes algoritmos de agrupamiento pueden producir diferentes particiones porque imponen una estructura diferente en los datos. Para superar este dilema de seleccionar una técnica apropiada y los parámetros correspondientes, se utilizan ensamble de agrupamientos para mejorar la precisión y la solidez mediante una combinación ponderada de dos o más enfoques. Sin embargo, muchas veces este proceso se lleva a cabo casi a ciegas, ya que probamos posibles combinaciones de métodos de forma secuencial y evaluamos si su desempeño es beneficioso para nuestros propósitos. Luego, realizamos muchas veces este procedimiento con la esperanza de encontrar un patrón que apoye nuestra próxima decisión para elegir una combinación. En este trabajo presentamos una metodología novedosa para la generación de ensamble de agrupamientos, basada en métricas cuantitativas y recursos visuales interactivos. Nuestro enfoque permite que los analistas muestren diferentes resultados de los métodos de agrupación del estado del arte, analicen su rendimiento en métricas específicas e inspección visual, asignen ponderaciones interactivas para establecer sus contribuciones en conjunto basadas en los requisitos del analista y gestionen (crear, almacenar, comparar, fusionar) ensamble de agrupamiento. Para probar esta metodología, implementaremos un prototipo, capaz de presentar mediante una vista gráfica, el resultado de aplicar un modelo de agrupamiento a un conjunto de datos.
Generación interactiva de mosaicos de imágenes satelitales usando proyecciones multidimensionales y analíticos visuales
(Universidad Católica San Pablo, 2021) Callo Aguilar, Alejandra Cristina; Gomez Nieto, Erick Mauricio
Las imágenes satelitales proveen datos que nos permiten diagnosticar, pronosticar y monitorear diferentes regiones de la Tierra. Son múltiples áreas del conocimiento las que aprovechan dichos datos para diferentes tareas analíticas, tales como inteligencia artificial, visión computacional o visualización científica. Sin embargo, el tratamiento de estas imágenes en alta resolución resulta ser costoso computacionalmente, debido a que se requiere procesar la información que guardan dichas imágenes en el gran número de punto característicos contenidos. Este trabajo de investigación propone una metodología para la generación de mosaicos de imágenes satelitales, utilizando la combinación de métodos de proyección multidimensional y complementos visuales interactivos que nos permita realizar la extracción de características, proyección de datos multidimensionales a un espacio visual, agrupamiento de datos y búsqueda de coincidencias mediante la selección de grupos candidatos que consideren principios de diversidad, cohesión y separación entre puntos característicos. Adicionalmente presentamos un conjunto de experimentos y comparaciones que nos ayudan a demostrar la eficiencia de la metodología propuesta.
Una herramienta de visualización interactiva para la generación de ensambles óptimos de clasificadores
(Universidad Católica San Pablo, 2022) Diaz Espino, Dany Mauro; Gomez Nieto, Erick Mauricio
En la actualidad existen muchos avances en el área de aprendizaje de máquina. A veces los modelos usados para realizar una determinada tarea no proporcionan los mejores resultados. Una alternativa de solución a este problema es el uso de ensambles de clasificadores, ya que la decisión final estará basada en el conjunto de probabilidades generadas por varios modelos. De esta forma, aunque uno de los clasificadores falle, los resultados tendrán cierto grado de confiabilidad si es que los demás clasificadores aciertan. Con este enfoque también surge la demanda por herramientas que permitan realizar un análisis detallado de cada clasificador perteneciente al ensamble. Es por este motivo que la presente tesis propone el desarrollo de una herramienta de generación y comparación de ensambles óptimos en términos de rendimiento. La herramienta propuesta se apoya en técnicas de visualización para realizar dos tareas principales: proporcionar un análisis detallado de cada clasificador y mostrar las métricas asociadas a cada clasificador para ayudar al usuario en la toma de decisiones.
SCVis: Una herramienta de análisis interactivo del crimen espacio - temporal basado en un enfoque a nivel de calle y bloque para centros urbanos.
(Universidad Católica San Pablo, 2022) Masca Vilca, Bryan David; Gomez Nieto, Erick Mauricio
Los centros de seguridad pública, incluso privados, presentan múltiples problemas con la interacción entre el análisis espacial y temporal de los crímenes. La gran cantidad de datos multidimensionales, la variabilidad de tipos criminales, así como la infraestructura y dinamismo urbano complica su análisis. Los principales métodos dentro del análisis del crimen permiten a los analistas de criminología identificar áreas de alto riesgo y asignar recursos tecnológicos y humanos para combatir los delitos de manera asertiva. Aunque estos mantengan su propósito inicial, no están diseñados para permitir un análisis detallado a nivel de calle y bloque. Hemos identificado una nueva forma de visualización a nivel de calle y bloque cuyo fin es analizar la relación de los patrones encontrados a escala fina con la oportunidad delictiva. Comprender estos patrones es crucial a la hora de formular acciones preventivas. Presentamos una herramienta interactiva para la visualización criminal que permite el análisis espacio-temporal de los patrones a nivel de calle y bloque. Esta se basa en una estrategia de agregación de crímenes con un enfoque a nivel de calle, bloque y otros recursos de visualización que permiten analizar relaciones espaciales y temporales, descubriendo puntos críticos donde radica la delincuencia. Por lo tanto, estos hallazgos proporcionan un indicador sobre cómo un diagnóstico a escala fina ayuda a comprender por qué el crimen se desenvuelve, persiste y evoluciona en ubicaciones específicas de las ciudades y por qué ciertos tipos de crímenes aparecen de forma recurrente.

Browse

Browsing Departamento de Ciencias de la Computación by browse.metadata.advisor "Gomez Nieto, Erick Mauricio"

Results Per Page

Sort Options