Show simple item record

dc.contributor.advisorPeña Guillén, Victor Levingston
dc.contributor.authorMattus Zapata, Jose Carlos
dc.date.accessioned2021-04-13T03:26:34Z
dc.date.available2021-04-13T03:26:34Z
dc.date.issued2021
dc.identifier.urihttp://repositorio.lamolina.edu.pe/handle/UNALM/4655
dc.descriptionUniversidad Nacional Agraria La Molina. Facultad de Ingeniería Agrícola. Departamento Académico de Ordenamiento Territorial y Construcciónes_PE
dc.description.abstractLa presente investigación profundiza en la aplicación del aprendizaje automático por medio de la clasificación supervisada a escala de vivienda. Este estudio emplea dos modelos de Aprendizaje Automático (Redes Neuronales Convolucionales y Clasificador Bayesiano) para la identificación de estados constructivos durante el proceso de auto construcción. Los ejemplos tomados en cuenta se localizan en el distrito de Carabayllo, Lima. La investigación se propone adaptar dos algoritmos de Aprendizaje Automático y comparar su eficiencia. Para alcanzar esos objetivos, se realiza primero, la recolección de imágenes del lugar de estudio que conformarán la base de datos del estudio; en segundo lugar, se adapta el código de los modelos para el reconocimiento visual automatizado de los estados constructivos. En el primer proceso se eligen puntos de referencia de las manzanas seleccionadas; a partir de estos se extraerán imágenes de alta resolución de libre disponibilidad. Seguidamente se realiza un pretratamiento de las imágenes para la digitalización de los lotes individuales. Posteriormente se clasificaron según estados constructivos, siguiendo metodologías validadas en diferentes estudios. El resultado fue un total de 117 imágenes clasificadas y georreferenciadas. En el segundo proceso, adaptan los códigos de cada modelo, considerando las rutas de ingreso a la base de datos, el formato de ingreso de las imágenes, la estructura, sus parámetros. Finalmente, se realiza la validación empleando dos diferentes métodos. Los resultados muestran una fuerza de concordancia “moderada” por parte del Clasificador Bayesiano, superando así en distintos aspectos al modelo de Red Neuronal Convolucional.es_PE
dc.description.abstractThis research deepens in the application of machine learning trough the supervised classification in a house level scale. Here, we proposed the usage of two Machine Learning models (Covolutional Neural Networks and Naïve Bayes Classifier) for the identification of constructive states during the self-construction process. The examples are located in the Carabayllo district, Lima province. The research aims to adapt two algorithms of Machine Learning and compare their efficiency. To achieve this objective, we first gather free-usage images of the area of interest, conforming the basic data of the study. Following, we adapt the models codes for the computer vision task aiming the constructive states. In the first process, we select references points for the targeted blocks, using them we will extract freehigh resolution images. After that, the constructive states were classified manually, following validated methods in various researches. Resulting in a total of 117 georeferenced images. The second process involve the adaption of each models codes, taking into account the paths of the basic data, size of images, structure and parameters. Finally, a validation is performed using two different methods. Resulting in a “moderate” strength of agreement in the case of Naïve Bayes classifier, outperforming the Convolutional Neural Network in several bearings.en_US
dc.formatapplication/pdfen_US
dc.language.isospaes_PE
dc.publisherUniversidad Nacional Agraria La Molinaes_PE
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectViviendaes_PE
dc.subjectDiseñoes_PE
dc.subjectConstrucciónes_PE
dc.subjectEvaluaciónes_PE
dc.subjectRío Chillónes_PE
dc.subjectMachine Learninges_PE
dc.titleIdentificación de estados constructivos en viviendas en el Valle Chillón, empleando herramientas de aprendizaje automático (Machine Learning)es_PE
dc.typeinfo:eu-repo/semantics/bachelorThesisen_US
dc.coverageLima. Perúes_PE
thesis.degree.disciplineOrdenamiento Territorial y Construcciónes_PE
thesis.degree.disciplineIngeniería Agrícolaes_PE
thesis.degree.grantorUniversidad Nacional Agraria La Molina. Facultad de Ingeniería Agrícolaes_PE
thesis.degree.nameIngeniero Agrícolaes_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.01.03es_PE
renati.author.dni75674943es_PE
dc.publisher.countryPEes_PE
dc.type.versioninfo:eu-repo/semantics/publishedVersionen_US
renati.advisor.orcidhttps://orcid.org/0000-0003-0786-7945es_PE
renati.advisor.dni09653346es_PE
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_PE
renati.discipline811096es_PE
renati.jurorLinares Zaferson, Víctor Eduardo
renati.jurorTorres Murga, Saúl Moisés
renati.jurorBravo Aguilar, Carlos Alberto


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess