Buscando resultados para: Dr. Pedro Lara Velázquez

  • -

Sergio Contreras Murillo

Sergio Contreras Murillo

  • Tema de investigación: Análisis de las características foliares utilizando una cámara TOF
  • Profesores responsables de las UEA Investigación Doctoral I, II y III:
  • Fecha de examen predoctoral: 8 de enero de 2018
  • Asesores:
  • Comité Doctoral:
  • Estado: Graduado
  • Fecha de disertación: 19 de octubre de 2020
  • Jurado disertación:
    • Dr. Román Anselmo Mora Gutiérrez (UAM-A)
    • Dr. Jorge Juárez Gómez (UAM-I)
    • Dr. Eduardo Rodríguez Flore (UAM-I)
    • Dr. Farid García Lamont (UAEM)
    • Dra. Bibiana Obregón Quintana (UNAM)
  • Título de la tesis: Análisis de la morfología vegetal utilizando una cámara 3D
  • Publicaciones


  • -

Miguel Contreras Murillo

Miguel Contreras Murillo


  • -

Daniel Edahi Urueta Hinojosa

Daniel Edahi Urueta Hinojosa


  • -

Paola Polet Beltrán García

Paola Polet Beltrán García


  • -

Brayan Armando Merino Alvarado

Brayan Armando Merino Alvarado


  • -

David Luna Luna

David Luna Luna


  • -

Modelo de clasificación de bacterias utilizando el problema de coloración de gráficas suaves

Sin categoría

Alumno: José Antonio Cuevas Barrón
ProfesorDr. Pedro Lara Velázquez y Dr. Alfonso Méndez Tenorio

Resumen: Debido a la enorme variación e incremento que ha sufrido la taxonomía microbiana y los criterios en que esta se basa, en los últimos años se ha hecho énfasis en la necesidad de desarrollar un nuevo método o procedimiento que permita clasificar diferentes microorganismos de una manera más confiable, además de incluir una de las características más importantes al análisis; la información genética de dichos seres vivos.

Una solución alternativa a este problema es el uso de un programa de cómputo denominado Hibridación Virtual; que básicamente colecta los genomas en una base de datos, para después buscar y rastrear los sitios potenciales de hibridación en el genoma, tomando en cuenta el grado de complementariedad entre las secuencias y las sondas de los sitios reconocidos, calculando la estabilidad termodinámica entre ellas. Las huellas genómicas obtenidas a partir de este programa requieren ser analizadas, esto con la finalidad de crear nuevos modelos de clasificación y de agrupamiento, para resolver un problema muy importante dentro del área de la Bioinformática como es la clasificación de los distintos seres vivos.

Objetivo general

Objetivos específicos


  • -

Algoritmo inteligente para la gestión de documentos médicos

Sin categoría

 Descargar versión PDF

Profesores:

Dr. Pedro Lara Velázquez

Dr. Ricardo Marcelín Jiménez

Resumen:

Un sistema clasificador es la abstracción informática de la habilidad humana de reconocer clases o categorías de varios objetos, ya sean caras, voces, letras, seres vivos, etc. Para la tarea que implica el reconocimiento de patrones, se busca clasificar ciertos objetos en una de las k categorías preestablecidas. Resultando la clase a la que pertenece el objeto o en algunos casos no poder determinar la clase a la que se llega.

El objetivo de este trabajo es generar un sistema que, mediante reconocimiento de patrones y/o análisis de series de tiempo, pueda predecir con buena calidad, los archivos que deben recuperarse y emplazarse en el almacenamiento primario de un PACS, con una anticipación de 24 horas.

Objetivo general

  • Generar un modelo de almacenamiento primario para bases de datos médicas que considere periodicidad y frecuencia de uso.

Objetivos específicos

  • Obtener la base de datos de un hospital y acoplarla a las necesidades requeridas. Dicha base de datos es posible obtenerla en la actualidad pero por confidencialidad no se puede decir a que hospital pertenece.
  • Familiarización del estudiante en algoritmos clasificadores, series de tiempo y manejo de bases de datos.
  • Generar un modelo de almacenamiento primario con base en un algoritmo clasificador.
  • Probar el modelo en una instancia particular de hospitales.
  • Reportar los resultados de la investigación en la idónea comunicación de resultados.

  • -

Generación automatizada de música

Sin categoría

Descargar versión completa (PDF)

Profesores: Dr. Pedro Lara Velázquez y Dr. Eric Alfredo Rincón Garcí­a

Resumen: Una de las líneas de investigación, que está recibiendo una creciente atención es la generación de contenido, como la música. El desarrollo de algoritmos capaces de generar música de forma automatizada, se está viendo influenciado por los avances en la inteligencia artificial, en particular por redes neuronales. En este proyecto, se busca generar algoritmos basados en arquitecturas de aprendizaje profundo, que sean capaces de generar melodías.

Objetivo general:

Desarrollar dos algoritmos basados en redes neuronales que sean capaces de generar melodías.

Objetivos específicos:

  • Estudiar diferentes tipos de redes neuronales como recurrentes, autoencoders y generativas adversarias
  • Revisar el estado del arte para seleccionar dos tipos de redes neuronales diferentes adecuadas al problema
  • Generar dos algoritmosde generación de música basados en las redes neuronales seleccionadas
  • Realizar el entrenamiento de los algoritmos y probar su desempeño mediante la generación de melodías
  • Reportar los resultados obtenidos en la Idónea Comunicación de Resultados (ICR)

  • -

Super-resolución en audios históricos y de espectro restringido

Sin categoría

Descargar propuesta de investigación completa (PDF)

Profesores: Dr. Pedro Lara Velázquez y Dr. Román Anselmo Mora Gutiérrez

Resumen: La super-resolución de archivos de audio busca extender el ancho de banda y el contenido armónico contenido en la voz o la música mediante el uso de redes neuronales. En este proyecto se propone analizar las ventajas, alcances y debilidades de las redes neuronales para la restauración de audios.

Objetivo general:

Emplear redes neuronales para super-resolución en archivos de audio

Objetivos específicos:

  • Investigar los fundamentos de redes neuronales, especialmente redes neuronales generativas adversarias y redes neuronales convolucionales
  • Realizar el estado del arte para identificar el tipo de redes neuronales más adecuadas al problema
  • Generar un algoritmo de super-resolución para audio basados en las redes neuronales seleccionadas
  • Realizar el entrenamiento del algoritmo y probar su desempeño en las instancias disponibles
  • Reportar los resultados obtenidos en la Idónea Comunicación de Resultados (ICR)

Avisos