000			03578nam0a22003130i04500
001			UTC-110068
005			20240326112720.0
008			240325s2019####ec#####grm####00####spa#d
082			_aPROYECTO 004 C9119ho
100			_aCárdenas Quinapaxi, Silvia Carolina
245			_aModelo basado en machine learning para la predicción de variables empleadas en el secado de semilla en horno microondas _cSilvia Carolina Cárdenas Quinapaxi, Vanessa Estefanía Vela Pérez.
264			_aLatacunga : _bUniversidad Técnica de Cotopaxi ; _c2019
300			_a81 páginas ; _c30 cm.
336			_atexto _btxt _2rdacontent
337			_ano mediado _bn _2damedia
338			_avolumen _bnc _2rdacarrier
500			_aIncluye CD-Rom.
502			_aProyecto (Ingeniero en Informática y Sistemas Computacionales); Bravo, Silvia ; Dir.
505			_a1. 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			_aLOS PROYECTOS DE INVESTIGACIÓN DE GRADO SON DE USO EXCLUSIVO PARA LA SALA DE LECTURA.
520			_aEl 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			_aUnidad Académica de Ciencias de la Ingeniería y Aplicadas ;
526			_aCarrera de Ingeniería en Informática y Sistemas Computacionales,
526			_aVA/vm
650			_aMACHINE LEARNING _aPREDICCIÓN DE VARIABLES _aMINERÍA DE DATOS
700			_aVela Pérez, Vanessa Estefanía
856			_uhttp://repositorio.utc.edu.ec/bitstream/27000/5340/1/PI-001360.pdf
942			_2ddc _cTES _n0
999			_c17111 _d17111