Trabajos finales de carrera de postgrado

Permanent URI for this collection

https://rad.ort.edu.uy/handle/20.500.11968/2714

Estos trabajos de fin de carrera son obras producidas por estudiantes, que se originan en los procesos formativos de la universidad.

Tienen propósitos culturales y educativos. No son productos comerciales y su difusión pública no está autorizada.

Now showing 1 - 5 of 59

Experiencia de usuario a partir de grabación de video usando Computer Vision
(Universidad ORT Uruguay, 2024) Mandirola Ulrich, Marcelo Pablo; Santos Rosales, Pío Danilo dos; Patrón Rizzo, Héctor Leandro; Olloniego Rocca, Juan Andrés; Visca Zanoni, Ramiro Eugenio; Cecilia Delgado, Leonardo Raúl
En la era digital actual, el creciente uso de aplicaciones móviles presenta un desafío considerable en términos de análisis y comprensión de interacciones humano-dispositivo. Esta tesis se enfoca en dos aspectos cruciales de este análisis: la detección de acciones en videos de interacciones y la agrupación de pantallas en conjuntos semánticamente similares. Para abordar estos desafíos, se emplean técnicas avanzadas de procesamiento de imágenes y aprendizaje profundo. Por un lado, se utilizan redes convolucionales 2D y 3D para detectar acciones especificas con precisión. Por otro lado, se propone un enfoque innovador que combina clustering sobre modelos de clasificación de imágenes, de detección de componentes y de traducción de imagen a texto para agrupar los frames de video en conjuntos que compartan características visuales y semánticas similares. Estas contribuciones tienen el potencial de impulsar avances significativos en campos como la inteligencia artificial y la visión por computadora, así como mejorar la comprensión de las interacciones usuario-dispositivo en entornos móviles.
Predicción de Precios en Airbnb
(Universidad ORT Uruguay, 2024) Cuitiño Rodríguez, Ana Laura; Perelmuter Catan, Andres; Rama Rodríguez, Joaquín; Villalba González, Juan Ignacio; Mora Riquelme, Hugo Andrés; Ferragut Varela, Ruben Andrés
El presente trabajo final se enfoca en el desarrollo y aplicación de un modelo predictivo de precios en el mercado de alquileres de corta duración, puntualmente en el ámbito de Airbnb, con el objetivo de proporcionar una herramienta aplicable y comprensible en el ámbito real. Utilizando el lenguaje de programación Python y técnicas avanzadas de modelado, este proyecto investiga varios algoritmos para identificar el más eficaz en predecir y optimizar precios basados en un amplio espectro de variables relacionadas con los alojamientos. A través de un proceso que incluye el análisis y exploración de datos, modelado, implementación, y evaluación de modelos, se busca seleccionar el modelo óptimo basado en su rendimiento y precisión, según métricas de evaluación establecidas. Este trabajo no solo aspira a contribuir al campo académico y práctico con un modelo predictivo de precios preciso y accesible sino también a ofrecer insights valiosos para anfitriones y gestores de propiedades en la optimización de sus estrategias de precios en plataformas de economía compartida como Airbnb.
Exploración de métodos para predicción de tráfico vehicular
(Universidad ORT Uruguay, 2024) Belza Laiolo, Santiago; Allan, Vanesa; Yovine, Sergio Fabián; Bianchi, Alejandro; Carrasco Piaggio, Matías
Este trabajo final se centra en la exploración de cuatro técnicas para la predicción del tráfico vehicular: Autoregressive Integrated Moving Average (ARIMA), Long Short-Term Memory (LSTM), Stacked Autoencoders (SAE) y modelos basados en grafos. Estos métodos representan diferentes enfoques y paradigmas en el campo del aprendizaje automático y la minería de datos, cada uno con sus propias fortalezas y limitaciones. El objetivo principal es una evaluación de estos métodos en términos de su capacidad para modelar y predecir el flujo de tráfico vehicular. Se analizarán métricas de rendimiento y la capacidad de generalización en diferentes escenarios y conjuntos de datos. El trabajo realizado destaca que las técnicas ARIMA y LSTM son efectivas para capturar dependencias temporales en datos de tráfico, especialmente cuando esta es predominante. Sin embargo, los SAEs y modelos basados en grafos, al considerar la componente espacial, son capaces de manejar una mayor dimensionalidad de detectores. Específicamente, los modelos basados en grafos se destacan por su capacidad de modelar la estructura espacial de la red vial y las interacciones entre múltiples puntos de medición. Este documento proporciona una guía útil para los investigadores y profesionales del campo del transporte urbano, facilitando la selección y aplicación de métodos de predicción del tráfico vehicular más efectivos y adecuados para diferentes contextos y requisitos específicos.
Implementación de algoritmos y herramientas de ML/AI aplicado a predicciones en carreras de caballos
(Universidad ORT Uruguay, 2024) Bastarrica Boghossian, Felipe; Giosa Lirola, Aldo Gabriel; Maestro Barrios, Esteban; Mora Riquelme, Hugo Andrés; Braberman, Victor Adrian; Rodriguez Pedreira, Juan Andrés
El siguiente trabajo final se centra en la aplicación de técnicas de aprendizaje automático aplicado a predicciones de resultados de carreras de caballos, con el objetivo de maximizar las ganancias para distintos tipos de apuestas. La finalidad es poder armar una o más apuestas que lleven al usuario a tener un resultado más redituable frente a su percepción como apostador. Esta puede ser la clásica apuesta al ganador, combinaciones de caballos para los primeros puestos, hasta no hacer ninguna apuesta debido a las pocas certezas que se tienen para obtener un resultado favorable y seguro. Para este trabajo se estudiaron datos de miles de carreras de caballos en Australia, con el objetivo de investigar en profundidad todas las variables que se obtienen de diferentes fuentes, entender el problema para modelar las soluciones de forma acorde y aplicar técnicas de aprendizaje automático para comparar resultados utilizando diferentes métricas. El contenido de esta tesis muestra los variados retos y estudios que implicaron la realización del análisis y los modelos, como el diseño de la simulación y la optimización de las técnicas utilizadas.
Un Estudio de Text-to-SQL con Grandes
(Universidad ORT Uruguay, 2024) Leon Fariña, Gonzalo Rodrigo de; Ljubicic Román, Martín Pablo; Oldán Motta, Joaquín; Mayr Ojeda, Franz; Braberman, Victor Adrian; Rodriguez Pedreira, Juan Andrés
El presente trabajo final tiene como objetivo desarrollar un asistente basado en un Large Lenguage Model (LLM) para facilitar la comprensión de sistemas a desarrolladores ciudadanos o "citizen developers" para que puedan igualmente desenvolverse en el área; testers y analistas funcionales, mediante la generación inteligente de consultas SQL a partir de lenguaje natural. El énfasis cae en el acceso a datos, implementando técnicas como Retrieval Augmented Generation (RAG), few-shot learning, chain of though sobre modelos locales para mejorar la precisión en la generación de consultas. Una complejidad del proyecto se presenta en la gestión de una base de datos con gran número de tablas y atributos de manera completamente local. El enfoque es un estudio del estado del arte, construir un sistema que traduce requerimientos a consultas SQL, y desarrollar las mismas basado en la metadata de la base de datos. Se busca generar consultas semánticamente correctas y superar desafíos de generalización sobre la estructura de diversas bases de datos. Esta tesis se encamina en busca de una contribución al campo de Text-to-SQL, abordando desafíos prácticos en la generación automática de consultas SQL, que tiene aplicaciones prometedoras en la mejora de la colaboración y eficiencia en el desarrollo de sistemas.

Recent Submissions