TY  - BOOK
AU  - Cárdenas Quinapaxi, Silvia Carolina
AU  - Vela Pérez, Vanessa Estefanía
TI  - Modelo basado en machine learning para la predicción de variables empleadas en el secado de semilla en horno microondas
U1  - PROYECTO 004 C9119ho 
PY  - 2019///
CY  - Latacunga
PB  - Universidad Técnica de Cotopaxi
KW  - MACHINE LEARNING
KW  - PREDICCIÓN DE VARIABLES
KW  - MINERÍA DE DATOS
N1  - Incluye CD-Rom; Proyecto (Ingeniero en Informática y Sistemas Computacionales); Bravo, Silvia ; Dir; 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; LOS PROYECTOS DE INVESTIGACIÓN DE GRADO SON DE USO EXCLUSIVO PARA LA SALA DE LECTURA; Unidad Académica de Ciencias de la Ingeniería y Aplicadas; Carrera de Ingeniería en Informática y Sistemas Computacionales; VA/vm
N2  - 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
UR  - http://repositorio.utc.edu.ec/bitstream/27000/5340/1/PI-001360.pdf
ER  -