UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

FACULTAD DE INGENIERÍA
INGENIERÍA CATASTRAL Y GEODESIA
INTELIGENCIA ARTIFICIAL APLICADA AL TERRITORIO 025 - 61
JOHN EDWIN SUAREZ MEJIA
CÓDIGO: 20142025144

Relatoría 2 Clase 6 de octubre 2020

El tema de la clase fue desarrollado por los compañeros Santiago Hernández,

Tatiana Sabogal, Nicolás Córdoba y Sergio Castellanos quienes abordaron la
metodología y el uso del algoritmo K-Means.

Se inicia con el origen de esta metodología la cual data del año 1967 en donde
James McQueen presenta una publicación referente a la clasificación y análisis de
observaciones multivariadas afirmando que el método K-Means es fácil de
programar y muy factible para procesar gran cantidad de datos, posteriormente se
introduce el concepto de machine learning el cual envuelve el aprendizaje de las
maquinas bajo la inteligencia artificial, partiendo de esto se expone el aprendizaje
no supervisado que resulta en un modelo que se ajusta a las observaciones de
manera automática, es así que su desarrollo se lleva a cabo siguiendo una cadena
de 4 pasos ellos son: inicializar los centroides en donde se le indica al algoritmo la
cantidad de clusters que debe tener el modelo, como segundo paso se debe asignar
los datos a los clusters, en tercer lugar se deben actualizar los centroides de los
clusters por último se repetirán los pasos dos y tres hasta que se cumplan las
condiciones en donde se indica que termina el algoritmo, algo importante en este
método es que la búsqueda de la respuesta optima es no supervisada, es decir que para
su ejecución solo requiere los datos iniciales y la cantidad de grupos deseada para la
ejecución del algoritmo y con ello logra determinar la solución óptima sin la participación de
algún supervisor. La función de optimización es el cálculo de la distancia entre los atributos
a la distancia media de las agrupaciones.

Después de poner en conocimiento la metodología se dio paso a la exposición de los

artículos indagados por el grupo de trabajo en donde el artículo que más resalto tenía como
eje central el análisis de imágenes satelitales en donde a groso modo se tomaron como
muestra un grupo de imágenes remotas hiperespectrales estableciendo como variables del
algoritmo aquellas características propias de estos datos, entre estas las firmas espectrales
de las bandas de cada imagen que al final son la variable a predecir por parte del algoritmo.

En este punto se puede decir que este tipo de algoritmos permiten dar soluciones a
problemas de procesos que sin ellos son muy lentos es decir optimizan labores en tiempo
y confiabilidad por ello resulta algo muy interesante que a partir de pocas instrucciones
pueda desarrollarse una solución para conjuntos de datos muy grande, allí el ingeniero
catastral y geodesta puede encontrar una herramienta muy útil en los diferentes campos de
acción de su quehacer.

Retomando la dinámica de la clase, los compañeros realizaron un quiz dinámico y didáctico

en donde se puso a prueba la comprensión de la temática, acto seguido se realizó un taller
dirigido por el grupo de trabajo en donde después de la explicación correspondiente se hizo
uso del complemento XLSAT en Excel el cual permite ejecutar el algoritmo de forma rápida
y eficiente a partir de un conjunto de datos.