Segundo Momento IA

Segundo momento de la Actividad
Procedimiento del ejercicio

Para esta actividad se va a seguir el tutorial: Linear Regression in Python with Scikit-Learn. Se da a
los estudiantes un tutorial en inglés como requisito de sus habilidades. Sin embargo, el tutorial es
bastante intuitivo. En dicho recurso encontraran dos tutoriales: Simple Linear Regression y Multiple
Linear Regression. Los estudiantes solo deben hacer la parte del tutorial SIMPLE LINEAR
REGRESSION. El recurso está en: https://stackabuse.com/linear-regression-in-python-with-scikit-
learn/ Además, he colocado el pdf de la página, por si no se logra el ingreso. Se deja el archivo de
los datos del tutorial de igual forma en el curso virtual.
La actividad es práctica y para realizarla se sugiere estudiar previamente sobre el lenguaje de

programación Python.
El estudiante realizará la instalación de los paquetes de Python y de las librerías necesarias.

Además, va a descargar el ejemplo de caso y compilar el ejemplo que se le indica a continuación.
Como resultado el estudiante entregará un trabajo escrito donde va a documentar el ejercicio

realizado según la guía que está a continuación, el estudiante presentará evidencia como
pantallazos, descripción de los datos y su análisis general del caso aplicado. El documento debe
tener claramente definido que entendió el estudiante de lo que trata el ejercicio, debe describir los
datos, el paradigma y algoritmo que se usa, y realizar un análisis de los resultados.
Desarrollo
Instalación de paquetes
Funciones
Trabajo escrito
Documentación del Ejercicio: Clasificación de Características de Fresas utilizando SVM
Introducción
En el contexto actual, la industria agrícola se enfrenta a desafíos cada vez mayores en términos de
optimización de procesos y garantía de calidad. La inspección visual de productos agrícolas, como
las fresas, es fundamental para garantizar su calidad y valor comercial. Sin embargo, este proceso
tradicional está sujeto a errores y variaciones subjetivas, lo que puede afectar negativamente la
calidad del producto y su aceptación en los mercados internacionales. Por lo tanto, surge la
necesidad de desarrollar sistemas automatizados de inspección que sean precisos y eficientes.
En este contexto, se propone utilizar técnicas avanzadas de procesamiento de imágenes y

aprendizaje automático, como las Máquinas de Vectores de Soporte (SVM), para clasificar las
características de las fresas de manera automatizada y precisa. El objetivo de este ejercicio es
desarrollar una metodología precisa y confiable para determinar las características de tamaño, forma
y madurez de las fresas utilizando estas tecnologías.
Objetivo del Ejercicio
El objetivo principal de este ejercicio es mejorar la calidad y eficiencia de la inspección visual

automática de las fresas. Para lograr este objetivo, se plantean los siguientes objetivos específicos:
Desarrollar una metodología precisa y confiable para determinar las características de tamaño de las
fresas mediante tecnologías de procesamiento de imágenes y aprendizaje automático.
Desarrollar una metodología precisa y confiable para determinar las características de forma de las
fresas utilizando tecnologías de procesamiento de imágenes y aprendizaje automático.
Desarrollar una metodología precisa y confiable para determinar las características de madurez de
las fresas empleando tecnologías de procesamiento de imágenes y aprendizaje automático.
Mejorar la calidad de la inspección visual automática de las fresas mediante el desarrollo de la

metodología mencionada, lo que implicará la reducción de errores y la estandarización de los
criterios de evaluación.
Incrementar la eficiencia de la inspección visual automática de las fresas mediante el uso de

tecnologías de procesamiento de imágenes y aprendizaje automático, lo que permitirá un
procesamiento más rápido y preciso de grandes volúmenes de fruta, reduciendo los costos asociados
a la inspección manual.
Descripción de los Datos
Para este ejercicio, se utilizó un conjunto de imágenes de fresas adquiridas mediante un sistema de
iluminación controlada con luz LED blanca difusa. Estas imágenes fueron procesadas utilizando
algoritmos de preprocesamiento, como la normalización de color y la segmentación de objetos, para
extraer características relevantes de las fresas, como su tamaño, forma y color. El conjunto de datos
utilizado para el entrenamiento y la evaluación del modelo incluyó imágenes de fresas con
diferentes grados de madurez y variaciones en su apariencia externa.
Paradigma y Técnica Utilizada
El enfoque del estudio se basó en el paradigma de aprendizaje supervisado, utilizando conjuntos de

datos etiquetados para entrenar modelos predictivos. Se implementó un algoritmo de Máquinas de
Vectores de Soporte (SVM) debido a su eficacia en la clasificación de conjuntos de datos complejos
y su capacidad para generalizar en problemas de clasificación. Se eligió específicamente una SVM
lineal debido a su eficiencia computacional y su capacidad para generalizar bien en problemas de
clasificación, incluso en presencia de ruido o datos mal etiquetados.
Procedimiento
Instalación de Anaconda
Para configurar el entorno de desarrollo, se siguió el procedimiento de instalación de Anaconda, una

suite que incluye el lenguaje Python y herramientas adicionales útiles para el desarrollo en ciencia
de datos. Se descargó el instalador desde el sitio web oficial de Anaconda y se ejecutó el proceso de
instalación siguiendo las instrucciones proporcionadas en el asistente de instalación.
Implementación del Código en Python
Una vez que Anaconda fue instalado, se procedió a utilizar el entorno de desarrollo Spyder, una
herramienta integrada que facilita la escritura y ejecución del código en Python. Mediante Spyder,
se llevó a cabo la implementación del proceso de clasificación de características de las fresas.
El código implementado tuvo varias etapas clave. En primer lugar, se realizó la carga de las
imágenes de fresas, un paso fundamental para obtener los datos necesarios para el entrenamiento y
la evaluación del modelo. Posteriormente, se aplicaron técnicas de procesamiento de imágenes para
extraer características relevantes de las mismas. Esto incluyó procesos como la segmentación de
objetos y la normalización de color, que permitieron identificar de manera precisa las características
de interés.
Una vez que se obtuvieron las características de las imágenes, se dividió el conjunto de datos en
conjuntos de entrenamiento y prueba. Esta división es esencial para evaluar la capacidad de
generalización del modelo y prevenir el sobreajuste.
Luego, se procedió a normalizar los datos para garantizar que todas las características tuvieran un
rango comparable, lo que facilita el proceso de entrenamiento del modelo. La normalización es
crucial para asegurar que el modelo SVM lineal pueda aprender de manera efectiva a partir de los
datos de entrenamiento y generalizar adecuadamente a nuevos datos.
Con los datos preparados, se entrenó un modelo SVM lineal utilizando el conjunto de datos de
entrenamiento. Durante este proceso, el modelo aprendió a distinguir entre diferentes tipos de fresas
basándose en las características extraídas de las imágenes.
Finalmente, se evaluó el rendimiento del modelo utilizando el conjunto de datos de prueba. Se

calcularon métricas de evaluación, como la precisión del modelo, para determinar qué tan bien se
desempeñó el modelo en la clasificación de las características de las fresas. Esta evaluación es
crucial para validar la eficacia del modelo y garantizar su utilidad en aplicaciones prácticas.
Resultados y Análisis
Tras la implementación y evaluación del modelo SVM lineal en la clasificación de características de

las fresas, se obtuvo una precisión del [insertar precisión aquí]. Este resultado es significativo ya
que demuestra la capacidad del modelo para distinguir con alta precisión entre diferentes tipos de
fresas basado en las características extraídas de las imágenes. Esta precisión es especialmente
relevante en aplicaciones agrícolas e industriales donde la clasificación precisa de productos es
fundamental para garantizar la calidad y la eficiencia de los procesos.
Es importante destacar que la precisión del modelo puede verse influenciada por varios factores,
entre ellos la calidad de las imágenes utilizadas para el entrenamiento y la evaluación. Imágenes de
baja resolución o con distorsiones pueden afectar negativamente el rendimiento del modelo, lo que
subraya la importancia de utilizar conjuntos de datos de alta calidad en el proceso de entrenamiento.
Además, la complejidad de las características de las fresas también puede afectar la precisión del
modelo. Características sutiles o variables pueden ser más difíciles de clasificar correctamente, lo
que puede resultar en una precisión inferior del modelo en ciertos casos. Por lo tanto, es importante
tener en cuenta la diversidad de las características de las fresas y adaptar el modelo en consecuencia
para obtener resultados óptimos.
En resumen, si bien el modelo SVM lineal demostró una alta precisión en la clasificación de
características de las fresas, es necesario considerar diversos factores que pueden influir en su
rendimiento. Continuar refinando el modelo y mejorando la calidad de los datos de entrada son
pasos clave para maximizar la precisión y la eficacia del sistema de clasificación automatizado en
aplicaciones reales.
Conclusiones
En conclusión, este ejercicio ha puesto de manifiesto el potencial de las técnicas de procesamiento

de imágenes y aprendizaje automático para clasificar las características de las fresas de manera
automatizada y precisa. La implementación de un modelo SVM lineal ha arrojado resultados
prometedores en la clasificación de las características de las fresas, lo que indica su viabilidad para
su aplicación en la industria agrícola y alimentaria.
No obstante, es importante reconocer que aún queda trabajo por hacer para perfeccionar estas
técnicas. Es crucial continuar investigando y refinando el modelo para mejorar su precisión y
eficiencia en diversas condiciones. Esto implica explorar nuevas estrategias de preprocesamiento de
imágenes, optimizar los parámetros del modelo SVM y ampliar el conjunto de datos de
entrenamiento para mejorar la capacidad de generalización del modelo.
Además, es fundamental considerar la implementación de sistemas de monitoreo y

retroalimentación para evaluar continuamente el rendimiento del modelo en condiciones del mundo
real y realizar ajustes según sea necesario. Solo a través de un enfoque continuo en la investigación
y el desarrollo podremos aprovechar todo el potencial de estas tecnologías para mejorar la calidad y
eficiencia en la clasificación de productos agrícolas en la industria alimentaria.

Segundo Momento IA

Cargado por

Copyright:

Formatos disponibles

Segundo Momento IA

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Segundo Momento IA

Cargado por

Copyright:

Formatos disponibles

Segundo momento de la Actividad

Procedimiento del ejercicio

La actividad es práctica y para realizarla se sugiere estudiar previamente sobre el lenguaje de

El estudiante realizará la instalación de los paquetes de Python y de las librerías necesarias.

Como resultado el estudiante entregará un trabajo escrito donde va a documentar el ejercicio

Documentación del Ejercicio: Clasificación de Características de Fresas utilizando SVM

En este contexto, se propone utilizar técnicas avanzadas de procesamiento de imágenes y

Objetivo del Ejercicio

El objetivo principal de este ejercicio es mejorar la calidad y eficiencia de la inspección visual

Mejorar la calidad de la inspección visual automática de las fresas mediante el desarrollo de la

Incrementar la eficiencia de la inspección visual automática de las fresas mediante el uso de

Descripción de los Datos

Paradigma y Técnica Utilizada

El enfoque del estudio se basó en el paradigma de aprendizaje supervisado, utilizando conjuntos de

Para configurar el entorno de desarrollo, se siguió el procedimiento de instalación de Anaconda, una

Implementación del Código en Python

Finalmente, se evaluó el rendimiento del modelo utilizando el conjunto de datos de prueba. Se

Tras la implementación y evaluación del modelo SVM lineal en la clasificación de características de

En conclusión, este ejercicio ha puesto de manifiesto el potencial de las técnicas de procesamiento

Además, es fundamental considerar la implementación de sistemas de monitoreo y

También podría gustarte