Aplicación de técnicas de aprendizaje automático para la agricultura altoandina de Perú

Transcripción

1 Aplicación de técnicas de aprendizaje automático para la agricultura altoandina de Perú Vladimir Cáceres Salazar Innovaciones Tecnológicas S.A.C. 1

2 Agenda 1. Introducción 2. Marco teórico 3. Metodología de solución 4. Resultados obtenidos 5. Conclusiones y recomendaciones 2

3 1. Introducción 3

4 4

5 5

6 2. Marco teórico 2.1. Aprendizaje automático 6

7 7

8 2.2. Aprendizaje automático y sus técnicas 8

9 9

10 10

11 3. Metodología de solución Tabla Nº 1. Aplicaciones del Aprendizaje Automático en la Agricultura 1 Nº Campos de Estudio Selección de cultivos y predicción del rendimiento de los cultivos Algoritmos Usados Algoritmos de clasificación 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. 11

12 4. Resultados obtenidos 12

13 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. 13

14 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 14

15 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. 15

16 16

17 17

18 18

19 19

20 Agradecimientos 20

21 Referencias Angluin, D. and Smith, C.H., Inductive inference: theory and methods. Computing Surveys, 15: Breiman, L., and Friedman, J.H., Olshen, R., and Stone C., Classification and regression trees. Wadsworth International Group; Belmont, California. Cheeseman, P., Kelly, J., Self, M., Stutz, J., Taylor, W., and Freeman, D., AUTOCLASS: A Bayesian classification system. In: Laird, J. (Editor), Proc. of the Fifth International Conference on Machine Learning. Ann Arbor, MI: Morgan Kaufmann: DeJong, G. and Mooney, R Explanation-based learning: an alternative view. Machine Learning 1(2): Fisher, D., Knowledge Acquisition Via Incremental Conceptual Clustering. Machine Learning, 2: Gaines, B.R., The trade-off between knowledge and data in knowledge acquisition. In Piatetsky Shapiro and Frawley, 1991: Haussler, D., Learning conjunctive concepts in structural domains. Proc. AAAI:

22 GRACIAS POR SU ATENCIÓN Ing. M.Sc. Vladimir Cáceres Salazar 22