MARC details
| 000 -LEADER |
|---|
| campo de control de longitud fija |
03578nam0a22003130i04500 |
| 001 - NÚMERO DE CONTROL |
|---|
| campo de control |
UTC-110068 |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| campo de control |
20240326112720.0 |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
240325s2019####ec#####grm####00####spa#d |
| 082 ## - NÚMERO DE LA CLASIFICACIÓN DECIMAL DEWEY |
|---|
| Número de clasificación |
PROYECTO 004 C9119ho |
| 100 ## - ENTRADA PRINCIPAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Cárdenas Quinapaxi, Silvia Carolina |
| 245 ## - MENCIÓN DEL TÍTULO |
|---|
| Título |
Modelo basado en machine learning para la predicción de variables empleadas en el secado de semilla en horno microondas |
| Mención de responsabilidad, etc. |
Silvia Carolina Cárdenas Quinapaxi, Vanessa Estefanía Vela Pérez. |
| 264 ## - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Producción, publicación, distribución, fabricación y copyright |
Latacunga : |
| Nombre del de productor, editor, distribuidor, fabricante |
Universidad Técnica de Cotopaxi ; |
| Fecha de producción, publicación, distribución, fabricación o copyright |
2019 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
81 páginas ; |
| Dimensiones |
30 cm. |
| 336 ## - TIPO DE CONTENIDO |
|---|
| Término de tipo de contenido |
texto |
| Código de tipo de contenido |
txt |
| Fuente |
rdacontent |
| 337 ## - TIPO DE MEDIO |
|---|
| Nombre/término del tipo de medio |
no mediado |
| Código del tipo de medio |
n |
| Fuente |
damedia |
| 338 ## - TIPO DE SOPORTE |
|---|
| Nombre/término del tipo de soporte |
volumen |
| Código del tipo de soporte |
nc |
| Fuente |
rdacarrier |
| 500 ## - NOTA GENERAL |
|---|
| Nota general |
Incluye CD-Rom. |
| 502 ## - NOTA DE TESIS |
|---|
| Nota de tesis |
Proyecto (Ingeniero en Informática y Sistemas Computacionales); Bravo, Silvia ; Dir. |
| 505 ## - NOTA DE CONTENIDO CON FORMATO |
|---|
| Nota de contenido con formato |
1. Información básica. 2. Diseño investigativo. 3. Marco Teórico 4. Metodología 5. Análisis y discusión de los resultados 6. Presupuesto y análisis de impacto 7. Conclusiones y recomendaciones |
| 506 ## - NOTA DE RESTRICCIONES AL ACCESO |
|---|
| Limitaciones de acceso |
LOS PROYECTOS DE INVESTIGACIÓN DE GRADO SON DE USO EXCLUSIVO PARA LA SALA DE LECTURA. |
| 520 ## - RESUMEN, ETC. |
|---|
| Sumario, etc. |
El secado de semillas implica la reducción del contenido de humedad a niveles recomendados, utilizando técnicas que no deterioren su viabilidad, eviten el deterioro, calentamiento e infestación durante su almacenamiento. El presente proyecto, se basa en desarrollar un modelo basado en Machine Learning para la predicción de las variables utilizadas en el secado de semillas, ya que no existe un modelo relacionado a este tipo de investigación, por ende no se puede obtener un buen rendimiento en el secado, lo cual se invierte recursos de tiempo, económicos y materiales. Para el desarrollo del proceso de predicción se utilizaron técnicas predictivas como son: Redes Neuronales y Árboles de decisión, además, se empleó una metodología que involucra el método experimental y de prototipo. Adicionalmente, se utilizó el lenguaje de programación Python con la herramienta Skylearn, esta última herramienta permitió emplear la red neuronal MLPRegressor, la misma que fue calibrada con la siguiente característica principal, es decir se empleó 5 capas de entrada y 5 capas de salida, de igual manera para la predicción con árboles de decisión se empleó RandomForestRegressor, la misma que se calibró bajo la característica principal que en este caso fue el empleo de 10 estimadores y un estado aleatorio de 42. MLPRegressor alcanzó las siguientes predicciones, para el tiempo de secado: 99.18%, consumo de energía: 98.17% y tasa de germinación: 78.18%, mientras que con RandomForestRegressor se alcanzó las siguientes predicciones, para el tiempo de secado: 99.18%, consumo de energía: 99.17% y tasa de germinación: 88.72%. Los modelos generados fueron evaluados mediante la precisión del modelo logrando un porcentaje más alto del 95.47%, por lo tanto, el empleo de estas herramientas permitió obtener resultados óptimos en la predicción de las variables de tiempo de secado, consumo de energía y tasa de germinación, que ayudan a reducir, ahorrar tiempo y recursos |
| 526 ## - NOTA DE INFORMACIÓN SOBRE EL PROGRAMA DE ESTUDIO |
|---|
| Nombre del programa |
Unidad Académica de Ciencias de la Ingeniería y Aplicadas ; |
| 526 ## - NOTA DE INFORMACIÓN SOBRE EL PROGRAMA DE ESTUDIO |
|---|
| Nombre del programa |
Carrera de Ingeniería en Informática y Sistemas Computacionales, |
| 526 ## - NOTA DE INFORMACIÓN SOBRE EL PROGRAMA DE ESTUDIO |
|---|
| Nombre del programa |
VA/vm |
| 650 ## - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
MACHINE LEARNING |
| -- |
PREDICCIÓN DE VARIABLES |
| -- |
MINERÍA DE DATOS |
| 700 ## - ENTRADA AGREGADA--NOMBRE PERSONAL |
|---|
| Nombre de persona |
Vela Pérez, Vanessa Estefanía |
| 856 ## - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Identificador Uniforme de Recurso |
<a href="http://repositorio.utc.edu.ec/bitstream/27000/5340/1/PI-001360.pdf">http://repositorio.utc.edu.ec/bitstream/27000/5340/1/PI-001360.pdf</a> |
| 942 ## - ELEMENTOS DE ENTRADA SECUNDARIOS (KOHA) |
|---|
| Fuente del sistema de clasificación o colocación |
Clasificación Decimal Dewey |
| Tipo de ítem Koha |
Tesis |
| Suprimir en OPAC |
No |
