forked from Yessicacg8/ai-20182
-
Notifications
You must be signed in to change notification settings - Fork 0
/
Proyectos_2018-2.md~
206 lines (116 loc) · 9.33 KB
/
Proyectos_2018-2.md~
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
# Proyectos 2018-2. Inteligencia Artificial.
# Clasificador de Música por Género
**Autores: William Palomino, Henry Peña, Diego Medina**
<img src="https://i.imgur.com/ueLN6rk.jpg" style="width:700px;">
[proyecto](https://github.com/pecons/MusicClassifierAI2018-2)
[video](https://www.youtube.com/watch?v=5gOOh8O8p3k&feature=youtu.be)[+info](https://github.com/pecons/MusicClassifierAI2018-2/blob/master/presentation/Music%20Classifier%20Presentation.pdf)
**Objetivo:** Desarrollar un modelo para predecir el genero de las canciones según su caracteristicas relevantes de los expectogramas
- Dataset: 1000 canciones classificadas en 10 generos de música.
- Librerias: Librosa (extracción de caracteristicas), tensorflow (clasificación), sklearn
- Modelo: deep neuronal network: 2 capas oculatas: 128, 64. Salida: capa de 10 unidades.
---
#Análisis de datos del Twiter como mecanismo de violencia simbólica.
**Autores: Alejandro Ramirez, David Villabona**
<img src="https://github.com/dabid-va/project-Inteligencia_Artificial/blob/master/una.jpeg" style="width:700px;">
[proyecto](https://github.com/dabid-va/project-Inteligencia_Artificial)
**Objetivo:** Anaĺitica de datos para predecir twits que contengan violencia simbólica.
- [Dataset](https://datahack.analyticsvidhya.com/contest/practice-problem-twitter-sentiment-analysis/): 49000 twits etiquetados según la violencia simbólica.
- Librerias: nltk.steam, sklearn, wordclap, word2vec, gensim
- Modelo: SVM, Ranfom forest for classification
---
# Estudio de factores sociales que influyen en las pruebas icfes usando analítica de datos
**Autores: Juan Mantilla, Luisa Jaimes, Hector Gonzalez**
<img src="https://github.com/juandmantilla/Proyecto-Icfes-2018/blob/master/img/def.jpg" style="width:700px;">
[proyecto](https://github.com/juandmantilla/Proyecto-Icfes-2018)
[video](https://vimeo.com/328628007)[+info](https://github.com/juandmantilla/Proyecto-Icfes-2018/blob/master/EXPO-IA.2.pptx)
**Objetivo:** Analizar los factores sociales que influyen en los puntajes del icfes utilizando analítica de datos y modelos de regresión.
- [Dataset](https://www.datos.gov.co/Educaci-n/Saber-11-2018-2/m2nt-jw2h): Más de 490000 registros de pruebas de estudiantes con caracteristicas como: estrato, situación económica, tv, dtpto, otros.
- Librerias: pandas, sklearn
- Modelos: extra-tree-regressor, feature importances.
---
# Anime genide: An anime popularity predictor from regression strategies.
**Autores: Douglas Ramirez, Marianne Rojas**
[proyecto](https://github.com/Doukuest/IA_Regresor_shows_animados)
[video](https://github.com/Doukuest/IA_Regresor_shows_animados/blob/master/project/Proyecto.wmv) [+info](https://github.com/Doukuest/IA_Regresor_shows_animados/blob/master/project/Slides%20-%20Anime%20Genie.pdf)
**Objetivo:** Predecir la popularidad de shows animados en terminos de, cantidad de personas, puntaje y favoritos a partir del tipo de show, fuente de material y genereros.
- [Dataset](https://www.kaggle.com/azathoth42/myanimelist#anime_filtered.csv): Más de 6000 shows animados, con 17 generos, 6 tipos de shows y 14 diferentes fuentes.
- Librerias: sklearn, pandas
- Modelos: Decision tree, gradient boost, baging regressor.
---
# Siendo tus ojos: Traducción auditiva de caracteres representados visualmente
**Autores: Karina Sequeda, Veronica Lucena, Angel Gómez, Brayan Alvarez**
[proyecto](https://github.com/sequedakarina/reconocimiento-de-caracteres-y-reproduccion-de-voz)
[video]() [+info](https://github.com/sequedakarina/reconocimiento-de-caracteres-y-reproduccion-de-voz/blob/master/Reconocimiento%20de%20caracteres%20y%20reproducci%C3%B3n%20de%20voz.pdf )
**Objetivo:** desarrollar una aplicación para el apoyo a personas con discapacidad visual reconociendo automaticamente los caracteres y traduciendolos a señales auditivas.
- [Dataset](https://www.westernsydney.edu.au/bens/home/reproducible_research/emnist): 80000 imagenes, con contiene 26 clases de caracteres
- [Datset propio]() mas de 800 imagenes y 26 clases de caracteres que incluyen letras en mayusculas y minusculas.
- Librerias: sklearn, opencv, gtts (google text to speech), pandas
- Modelos: Random forest, Decision tree
---
# Predicción de patrones parkinsonianos en video como apoyo al diagnostico
**Autores: Brayan Valenzuela, Alejandra Moreno, Lina Ruiz**
<img src="https://github.com/Brayan-Valenzuela/Caracterizacion-de-Marcha-Parkinsoniana-Empleando-Trayectorias-de-Movimiento./blob/master/CLasificaci%C3%B3n%20de%20parkinson.jpg" style="width:700px;">
[proyecto](https://github.com/Brayan-Valenzuela/Caracterizacion-de-Marcha-Parkinsoniana-Empleando-Trayectorias-de-Movimiento.)
[video](), [+info](https://github.com/Brayan-Valenzuela/Caracterizacion-de-Marcha-Parkinsoniana-Empleando-Trayectorias-de-Movimiento./blob/master/Unofficial_NEO_UEA_Template__1_(2).pdf)
**Objetivo:** Reconocer patrones relacionados con la enfermedad del parkinson utilizando clasificadores automáticas y trayectorias de movimiento.
-[Dataset](http://bivl2ab.uis.edu.co). El dataset por el momento es privado, para su consulta contactar al grupo Bivl2ab. Se adelantan tramites con el comité de etica para su disposición al público con fines académicos.
-[Librerias]: sklearn, opencv, subprocess
- Modelos: RandomForest, Knn SVM.
---
# LIKING (your perfect couple): Sugerencia de perfiles visuales de parejas, según anotaciones de usuarios.
[proyecto](https://github.com/adeleeee041096/Artificial-Intelligence-Project)
[video](https://drive.google.com/file/d/1XxS-i6J9EojJKaBg8MEgpb-E9aCSPvLn/view?usp=sharing) , [+info](https://github.com/adeleeee041096/Artificial-Intelligence-Project/blob/master/liking1.pdf)
**Objetivo:** Seleccionar perfiles de pareja según anotaciones visuales de los usuarios.
-[Dataset](https://github.com/adeleeee041096/Artificial-Intelligence-Project/blob/master/Archivo.zip): 56 personas, mas de 200 imagenes tomadas desde diferentes perspectivas.
-[Librerias] pandas, opencv, sklearn
- Modelos: Random forest
---
# Modelo de regresión para la Valorizacion-de-Diamantes
**Autores: Nicolás Gutierrez**
<img src="https://github.com/juandmantilla/Proyecto-Icfes-2018/blob/master/img/def.jpg" style="width:700px;">
[proyecto](https://github.com/NG2C/Valorizacion-de-Diamantes)
**Objetivo:** predecir el costo de los diamantes en USD utilizando un randomRegressor y un DesicionTree
- [Dataset](https://www.kaggle.com/shivam2503/diamonds): 53940 muestras de diamantes caracterizados por 9 caracteristicas. Dataset disponible en kaggle
- Librerias: sklearn
- Modelo: Random forest regression
---
# Clasificador de estrellas pulsares
**Autores: Alfredo Puertas, Cristian Fernandez, Johan Castro**
<img src="https://github.com/juandmantilla/Proyecto-Icfes-2018/blob/master/img/def.jpg" style="width:700px;">
[proyecto](https://github.com/johanca965/proyecto-ai)
[video]() [+info](https://github.com/johanca965/proyecto-ai/blob/master/Clasificaci%C3%B3n%20de%20estrellas.pptx)
**Objetivo:** Predecir estrellas pulsares según caracteristicas físicas de estos cuerpos celestes.
- [Dataset](https://archive.ics.uci.edu/ml/machine-learning-databases/00372/): Más de 17000 registros con ocho caracteristicas estadisticas sobre medidas físicas de las estrellas.
- Librerias: sklearn
- Modelo: DT, SVM, RandomForest, KNN, regresión logística.
---
# Socker regression: Ananlítica de actitudes futbolisticas de jugadores de elite
**Autores: Edgar Montenegro, Jorge Triana, Brayan Rivera**
<img src="https://github.com/EdgarAndresMontenegro/Soccer-Regression/blob/master/img/FIFA-19.jpg" style="width:700px;">
[proyecto](https://github.com/EdgarAndresMontenegro/Soccer-Regression)
[video](), [+info]()
**Objetivo:** Construir un modelo cuntitativo del futbol de elite para ser usado como referencia en otras ligas.
- [Dataset](): Más de 16000 registros, con 54 caracteristicas sobre actitudes futbolisticas. Se usaron 2000 registros y 43 caracteristicas.
- Librerias: sklearn, pandas
- Modelos: Kmeans, DBScan
---
# Offline handwritten signature verification
**Autores: Juan Sebastian Marcon, Andrés Chia**
<img src="" style="width:700px;">
[proyecto](https://github.com/juanse1080/Proyecto-ai-20182)
[video](), [+info]()
**Objetivo:** Determinar si una firma es genuina o ha sido falsificada.
- [Dataset]: se construyó un dataset que consiste en 120 firmas de una persona. 60 muestras genuinas y 60 muestras falsas.
- Librerias: tensorflow, sklearn, opencv, tensorboard
- Modelo: una red convolucional de dos capas de convolución con 32 y 64 filtros. Luego una capa full connected de 1024.
---
# Caracteristicas que afeactan el consumo de combustible en carros
**Autores: Juan Felipe Silva, Javier Rueda**
<img src="xxs" style="width:700px;">
[proyecto](https://github.com/felipe0479/Caracteristicas-que-afectan-el-consumo-de-combustible-en-los-carros)
[video](), [+info](https://github.com/felipe0479/Caracteristicas-que-afectan-el-consumo-de-combustible-en-los-carros/blob/master/Caracter%C3%ADsticas%20que%20afectan%20el%20consumo%20de%20combustible%20en%20los%20carros.pdf)
**Objetivo:** Predecir el factor que mas influye en el consumo de combustible de un carro.
-[Dataset](https://github.com/RodolfoViana/exploratory-data-analysis-dataset-cars): 400 registros de carros con 10 caracteristicas como aceleración, millas por galón, modelo.
- Librerias: sklearn
- Modelo: Random forest, logistic regression, Decision tree.
---