Aplicación de técnicas de aprendizaje automático para la 1
agricultura altoandina de Perú Agenda • 1. Introducción • 2. Marco teórico • 3. Metodología de solución • 4. Resultados obtenidos • 5. Conclusiones y recomendaciones
Aplicación de técnicas de aprendizaje automático para la 2
agricultura altoandina de Perú 1. Introducción
Aplicación de técnicas de aprendizaje automático para la 3
agricultura altoandina de Perú Aplicación de técnicas de aprendizaje automático para la 4 agricultura altoandina de Perú Aplicación de técnicas de aprendizaje automático para la 5 agricultura altoandina de Perú 2. Marco teórico 2.1. Aprendizaje automático
Aplicación de técnicas de aprendizaje automático para la 6
agricultura altoandina de Perú Aplicación de técnicas de aprendizaje automático para la 7 agricultura altoandina de Perú 2.2. Aprendizaje automático y sus técnicas
Aplicación de técnicas de aprendizaje automático para la 8
agricultura altoandina de Perú Aplicación de técnicas de aprendizaje automático para la 9 agricultura altoandina de Perú Aplicación de técnicas de aprendizaje automático para la 10 agricultura altoandina de Perú 3. Metodología de solución Tabla Nº 1. Aplicaciones del Aprendizaje Automático en la Agricultura
Campos de Estudio Algoritmos Usados
Nº Selección de cultivos y predicción del 1 Algoritmos de clasificación rendimiento de los cultivos
Redes neuronales
Redes neurales de propagación posterior
2 Predicción del clima Soporte de máquinas vectoriales
3 Sistema de riego inteligente Algoritmos generales de aprendizaje de máquinas
4 Predicción de enfermedades de cultivos Soporte de máquinas vectoriales
Reconocimiento de patrones
Redes neuronales artificiales, Árboles de decisiones.
5 Decidir el precio mínimo de soporte Técnicas de clasificación, las redes neuronales.
Aplicación de técnicas de aprendizaje automático para la 11
agricultura altoandina de Perú 4. Resultados obtenidos
Aplicación de técnicas de aprendizaje automático para la 12
agricultura altoandina de Perú • CLUSTERING • El objetivo del clustering no es clasificar, estimar o predecir una variable; sino entender la estructura macroscópica y relaciones entre objetos, considerando las maneras en las que estos son similares y diferentes. En otras palabras, se enfoca en segmentar el conjunto completo de datos en subgrupos homogéneos. • A los objetos con cierta similaridad se los agrupa en clúster.
Aplicación de técnicas de aprendizaje automático para la 13
agricultura altoandina de Perú Se elije 2 variables para poder para poder analizarlo y segmentarlos, vemos el versus de 2 variables (Clima, productividad, área de siembra, riego, etc.), agrupados de acuerdo con el tipo de cultivo y al presionar el botón generar, podremos visualizar el gráfico de clustering
Aplicación de técnicas de aprendizaje automático para la 14
agricultura altoandina de Perú • REDES NEURONALES. • El algoritmo de redes neuronales nos ayuda en la predicción de datos a partir de nuestros datos empíricos para el entrenamiento de está.
Aplicación de técnicas de aprendizaje automático para la 15
agricultura altoandina de Perú Aplicación de técnicas de aprendizaje automático para la 16 agricultura altoandina de Perú Aplicación de técnicas de aprendizaje automático para la 17 agricultura altoandina de Perú Aplicación de técnicas de aprendizaje automático para la 18 agricultura altoandina de Perú Aplicación de técnicas de aprendizaje automático para la 19 agricultura altoandina de Perú Agradecimientos
Aplicación de técnicas de aprendizaje automático para la 20
agricultura altoandina de Perú Referencias • Angluin, D. and Smith, C.H., 1983. Inductive inference: theory and methods. Computing Surveys, 15: 237–269. • Breiman, L., and Friedman, J.H., Olshen, R., and Stone C., 1984. Classification and regression trees. Wadsworth International Group; Belmont, California. • Cheeseman, P., Kelly, J., Self, M., Stutz, J., Taylor, W., and Freeman, D., 1988. AUTOCLASS: A Bayesian classification system. In: Laird, J. (Editor), Proc. of the Fifth International Conference on Machine Learning. Ann Arbor, MI: Morgan Kaufmann: 54- 64 • DeJong, G. and Mooney, R. 1986. Explanation-based learning: an alternative view. Machine Learning 1(2): 145-176 • Fisher, D., 1987. Knowledge Acquisition Via Incremental Conceptual Clustering. Machine Learning, 2: 139–172. • Gaines, B.R., 1991. The trade-off between knowledge and data in knowledge acquisition. In Piatetsky–Shapiro and Frawley, 1991: 491–505. • Haussler, D., 1987. Learning conjunctive concepts in structural domains. Proc. AAAI: 466– 470.
Aplicación de técnicas de aprendizaje automático para la 21
agricultura altoandina de Perú GRACIAS POR SU ATENCIÓN
Ing. M.Sc. Vladimir Cáceres Salazar
vladimiralex50@hotmail.com
Aplicación de técnicas de aprendizaje automático para la 22