Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices

La Inteligencia Artificial (IA) se ha proyectado en la última década como una herramienta innovadora, implementada en diversas áreas como la ingeniería y la medicina entre otras disciplinas, para problemas de gran complejidad cuya solución se puede hallar, con base en algoritmos matemáticos inspirad...

Full description

Autores:: Marín Martínez, Camila Andrea
Paredes Tafur, Andrés Felipe

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2021

Institución:: Universidad Autónoma de Occidente

Repositorio:: RED: Repositorio Educativo Digital UAO

Idioma:: spa

id	REPOUAO2_a830f02286e8b69aab4b64a2d9b550e5
oai_identifier_str	oai:red.uao.edu.co:10614/13521
network_acronym_str	REPOUAO2
network_name_str	RED: Repositorio Educativo Digital UAO
repository_id_str
dc.title.spa.fl_str_mv	Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices
title	Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices
spellingShingle	Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices Ingeniería Mecatrónica Redes neurales (Computadores) Neural networks (Computer science) Identificación de baile Python Matlab Dance identification
title_short	Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices
title_full	Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices
title_fullStr	Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices
title_full_unstemmed	Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices
title_sort	Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices
dc.creator.fl_str_mv	Marín Martínez, Camila Andrea Paredes Tafur, Andrés Felipe
dc.contributor.advisor.none.fl_str_mv	Ramírez Moreno, David Fernando
dc.contributor.author.none.fl_str_mv	Marín Martínez, Camila Andrea Paredes Tafur, Andrés Felipe
dc.contributor.corporatename.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.subject.spa.fl_str_mv	Ingeniería Mecatrónica
topic	Ingeniería Mecatrónica Redes neurales (Computadores) Neural networks (Computer science) Identificación de baile Python Matlab Dance identification
dc.subject.armarc.spa.fl_str_mv	Redes neurales (Computadores)
dc.subject.armarc.eng.fl_str_mv	Neural networks (Computer science)
dc.subject.proposal.spa.fl_str_mv	Identificación de baile
dc.subject.proposal.eng.fl_str_mv	Python Matlab Dance identification
description	La Inteligencia Artificial (IA) se ha proyectado en la última década como una herramienta innovadora, implementada en diversas áreas como la ingeniería y la medicina entre otras disciplinas, para problemas de gran complejidad cuya solución se puede hallar, con base en algoritmos matemáticos inspirados en la estructura y comportamiento neuronal de los seres vivos, con el fin de resolver los problemas analógicamente a la resolución natural de los seres simulados. Para dar solución al proceso de mejora y control en la dinámica del baile, se presenta una alternativa que evalúa la ejecución de los movimientos correspondientes a diferentes modalidades de baile, haciendo uso de Redes Neuronales Artificiales; a su vez, se refieren como parámetros técnicos un conjunto diverso de datasets, que permiten la evaluación precisa en la ejecución de cada baile. Los datasets implementados se generaron con la herramienta de tf pose estimation, luego, fueron procesados y presentados a las diferentes estructuras de red elaboradas en los softwares de Matlab y Python, buscando el mejor rendimiento e interpretación del baile en las estructuras neurales. Posteriormente, un análisis comparativo determinó qué tipo de red se adecúa más a la necesidad presentada, este ejercicio se realizó con el uso de matrices de confusión para implementar criterios de evaluación generalizados que comprenden la exactitud, la precisión y la sensibilidad. Finalmente, se espera que los resultados obtenidos sirvan de base para futuras investigaciones relacionadas al desarrollo tecnológico, concerniente al área del entretenimiento y permitan una profundización investigativa en la clasificación de imágenes mediante redes neuronales.
publishDate	2021
dc.date.accessioned.none.fl_str_mv	2021-12-09T13:35:50Z
dc.date.available.none.fl_str_mv	2021-12-09T13:35:50Z
dc.date.issued.none.fl_str_mv	2021-11-23
dc.type.spa.fl_str_mv	Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_71e4c1898caa6e32
dc.type.coar.eng.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.content.eng.fl_str_mv	Text
dc.type.driver.eng.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.redcol.eng.fl_str_mv	https://purl.org/redcol/resource_type/TP
format	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/10614/13521
dc.identifier.instname.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.identifier.reponame.spa.fl_str_mv	Repositorio Educativo Digital
dc.identifier.repourl.spa.fl_str_mv	https://red.uao.edu.co/
url	https://hdl.handle.net/10614/13521 https://red.uao.edu.co/
identifier_str_mv	Universidad Autónoma de Occidente Repositorio Educativo Digital
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.cites.spa.fl_str_mv	Marín Martínez, C. A. y Paredes Tafur. J. (2021). Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices. [Tesis de Pregrado. Universidad Autónoma de Occidente]. https://hdl.handle.net/10614/13521
dc.relation.references.none.fl_str_mv	ACEVEDO, Natalia. Matriz de confusión en Machine Learning. Explicado paso a paso. [En línea] Nataliaacevedo.com. 23 de octubre de 2020. [Consultado: 12 de agosto de 2021] Disponible en: https://nataliaacevedo.com/matriz-de-confusion-enmachine- learning-explicado-paso-a-paso/ ALBERICH, Jordi; GÓMEZ FONTANILLS, David y FERRER FRANQUESA, Alba. Percepción Visual. [En línea] España: Universitat Oberta de Catalunya. 2013. 66 p. [Consultado el 16 de mayo de 2020]. Disponible en: https://www.exabyteinformatica.com/uoc/Disseny_grafic/Diseno_grafico/Diseno_grafico_(Modulo_1).pdf ALEMI, Omid, FRANÇOISE, Jules y PASQUIER, Phipippe. GrooveNet: Real-Time Music Driven Dance Movement Generation using Artificial Neural Networks. En: Machine Learning for Creativity. [En línea] Canadá, agosto 2017. 6 p. [Consultado: 10 de marzo de 2021]. Disponible en: https://omid.al/docs/groovenet-ml4c-2017.pdf AMAZON. Aprendizaje automático para aplicaciones multimedia. [En línea] USA. [Consultado: 9 de septiembre de 2021] Disponible en: https://aws.amazon.com/es/media/tech/machine-learning-for-media-applications/ Anónimo. El ritmo, un elemento esencial del baile. About Español. [2019]. [Consultado el 16 de mayo de 2020]. Disponible en: https://www.aboutespanol.com/el-ritmo-un-elemento-esencial-del-baile-297914 AYUNTAMIENTO DE GRANADA. Información General: Análisis espectral. [En línea] Granada, España. (20 de mayo de 2014) [Consultado 20 de agosto de 2021] Disponible en: https://www.granada.org/inet/sonidos.nsf/d483b298c3f6a1b9c1257cdd00384c53/3fdfc36a7489b607c1257cde0024bb34!OpenDocument ÁZUCAR COMPAÑÍA ARTÍSTICA & ESCUELA DE BAILE. [vídeo] Santiago de Cali. Facebook. Azúcar compañía artística & escuela de baile. (29 de marzo de 2020). 0:11 minutos. [Consultado: 17 de mayo de 2020]. Disponible en: https://www.facebook.com/azucarescueladebaile/videos/2533679163403777/ BARRIOS ARCE, Juan I. La matriz de confusión y sus métricas. [En línea] Health Big Data. 2019. [Consultado: 12 de agosto de 2021] Disponible en: https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/ BERZAL, Fernando. Entrenamiento de redes neuronales. [diapositivas] Universidad de Granada. Granada, España. 37 diapositivas. [Consultado 20 de agosto de 2021]. Disponible en: https://elvex.ugr.es/decsai/deeplearning/ slides/NN4%20Training.pdf BUDUMA, Nikhil. Fundamentals of Deep Learning. 1ra Edición. USA: Sebastopol. O’Reilly. 2017. ISBN: 9781491925614 CAO, ZHE, et al. Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields. En: CVPR. [En línea] USA. 2017. [Consultado: 25 de octubre de 2021]. Disponible en: https://arxiv.org/pdf/1611.08050.pdf CHAN, Caroline, et al. Everybody Dance Now. 1ra USA. ICCV. 2019. [Consultado: 10 de marzo de 2021]. Disponible en: https://arxiv.org/pdf/1808.07371.pdf COOPERATIVE INSTITUTE FOR METEOLOGICAL SATELLITE STUDIES. What is Matlab? [En línea] University of Wisconsin – Madison. CIMSS. [Consultado: 2 de julio de 2021] Disponible en: https://cimss.ssec.wisc.edu/wxwise/class/aos340/spr00/whatismatlab.htm CUESTAS, Eduardo. Variables. En: Revista de la Facultad de Ciencias Médicas. [En línea] Argentina: Universidad Nacional de Córdoba, agosto-septiembre 2009. vol. 66, nro. 3. p. 118 – 122. [Consultado: 15 de agosto de 2021] Disponible en: http://www.revista2.fcm.unc.edu.ar/Rev.2009.3/Variables_Cuesta.pdf CRNKOVIC-FRISS, Luka y CRNKOVIC-FRISS, Louise. Generative Choreography using Deep Learning. USA. 7th International Conference on Computacional Creativity. 2016. [Consultado: 10 de marzo de 2021]. Disponible en: https://arxiv.org/ftp/arxiv/papers/1605/1605.06921.pdf DONAHUE, Chris, LIPTON, Zachary y MCAULEY, Julian. Dance Dance Convolution. [En línea] Cornell University . USA. ICML. Conference paper. 2017. [Consultado: 10 de marzo de 2021]. Disponible en: https://arxiv.org/pdf/1703.06891.pdf EREÑO Álvarez, C. El proceso de enseñanza-aprendizaje en la danza tradicional. Alternativas metodológicas. Reflexiones desde la propia práctica [En línea] Lecturas: Educación Física y Deportes. No. 46. Buenos Aires. 2002. [Consultado el 16 de mayo de 2020]. Disponible en: https://www.efdeportes.com/efd46/baile.htm FOMINAYA, Carlota. Velocidad de procesamiento ¿Qué es y cómo influye en tu hijo? [En línea] En: ABC Educación. España. 2019. [Consultado el 16 de mayo de 2020]. Disponible en: https://www.abc.es/familia/educacion/abci-velocidadprocesamiento- y-como-influye-inteligencia-hijo-201903250148_noticia.html FRANCO GARCÍA, Angel. Interpolación. [En línea] Universidad del País Vasco. País Vasco. [Consultado: 13 de mayo de 2021] Disponible en: http://www.sc.ehu.es/sbweb/fisica3/datos/regresion/interpolacion.html GAMBOA DE BUEN, Berta. El uso de la palabra promedio y su significado matemático. [En línea] Ciencia y Desarrollo. México [Consultado 10 de agosto de 2021] Disponible en: https://www.cyd.conacyt.gob.mx/?p=articulo&id=127 GARCIA FERNANDEZ, Luis Alberto. Usos y aplicaciones de la inteligencia artificial. En: La Ciencia y el Hombre. México. 2004. [Consultado el 15 de mayo de 2020]. Disponible en: https://www.uv.mx/cienciahombre/revistae/vol17num3/articulos/inteligencia/ GARDNER, Howard. La danza. En: Revista Kinesis Vol 2 Nº. 6. Bogotá. D. E. 1991. Res. Min. Gobierno 2113/89. GONZALEZ LOPEZ, Francisco Javier. Desarrollo de un sistema de interacción humano-humanoide mediante el reconocimiento y aprendizaje del lenguaje corporal [en línea]. Trabajo de grado Ingeniero Mecatrónico. Santiago de Cali. Universidad Autónoma de Occidente. Facultad de Ingeniería. Departamento de Ingeniería. 2018. 54 - 64 p. [Consultado: 20 de febrero de 2020]. Disponible en: Biblioteca - Recursos Electrónicos. http://hdl.handle.net/10614/10162 GONZÁLEZ, Mónica. Bailar, ¿una profesión o una afición?. [blog]. Blogs EMagister. [Consultado 17 de mayo de 2020] Disponible en_ https://www.emagister.com/blog/bailar-una-profesion-o-una-aficion/ HAYKIN, Simon. Neural Networks and Learning Machines. 2da Edición. New Jersey: Pearson Education. 1999. ISBN: 9780131471399 HE, Kaiming, et al. Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification. [En línea] USA. (6 de febrero de 2015). [Consultado: 15 de julio de 2021]. Disponible en: https://arxiv.org/pdf/1502.01852v1.pdf HSU, Hwei P. Signals and Systems. 1ra ed. USA: McGraw-Hill. 1995. 470 p. ISBN: 0070306419. JARAMILLO ECHEVERRY, Luis Guillermo y MURCIA PEÑA, Napoleón. La danza y el baile. [En línea] Lecturas: Educación Física y Deportes. No. 46. Buenos Aires. 2002. [Consultado el 14 de mayo de 2020]. Disponible en: https://www.efdeportes.com/efd46/baile.htm KHAN ACADEMY. Standard Deviation: Calculating Step by step. [En línea] Khanacademy.org [Consultado: 13 de mayo de 2021] Disponible en: https://www.khanacademy.org/math/statistics-probability/summarizing-quantitativedata/ variance-standard-deviation-population/a/calculating-standard-deviation-stepbystep#:~: text=Step%201%3A%20Find%20the%20mean,the%20number%20of%20d ata%20points. KERAS. About Keras. [En línea] Keras.io. [Consultado: 28 de octubre de 2021]. Disponible en: https://keras.io/about/ LEXICO BY OXFORD. Coreografía. [en línea] Oxford Languages. [Consultado: 20 de septiembre de 2021] Disponible en: https://www.lexico.com/es/definicion/coreografia --------, Dato. [en línea] Oxford Languages. [Consultado: 20 de septiembre de 2021]. Disponible en: https://www.lexico.com/es/definicion/dato MARTIN, Eugenia. ¡Conoce qué es un fotograma y cómo están hechas las películas! [en línea] Crehana. (9 de marzo de 2021) [Consultado: 20 de agosto de 2021] Disponible en: https://www.crehana.com/co/blog/video/que-es-un-fotograma/ MATLAB. Anonymous Functions. [en línea] Mathworks. [Consultado 2 de julio de 2021] Disponible en: https://www.mathworks.com/help/matlab/matlab_prog/anonymous-functions.html --------. Creating, Concatening and Expanding Matrices. [En línea] Mathworks [Consultado 2 de julio de 2021] Disponible en: https://la.mathworks.com/help/matlab/math/creating-and-concatenatingmatrices. html?lang=en --------. El lenguaje del cálculo técnico. [En línea]. Mathworks. [Consultado: 28 de octubre de 2021] Disponible en: https://es.mathworks.com/products/matlab.html --------. MATLAB Product Description. [En línea]. Mathworks. [Consultado: 28 de octubre de 2021] Disponible en: https://es.mathworks.com/help/matlab/learn_matlab/productdescription. html?lang=en MATPLOTLIB DEVELOPMENT TEAM. Matplotlib: Python plotting. [En línea]. Matplotlib.org. 13 de agosto de 2021. [Consultado: 28 de octubre de 2021]. Disponible en: https://matplotlib.org/ MICROSOFT. Crear o editar archivos .csv para importarlos a Outlook. [En línea] Support Microsoft. [Consultado: 10 de agosto de 2021] Disponible en: https://support.microsoft.com/es-es/office/crear-o-editar-archivos-csv-paraimportarlos- a-outlook-4518d70d-8fe9-46ad-94fa-1494247193c7 MGM RESORTS INTERNATIONAL. The Truth About Entertainment [infografía]. Disponible en: https://www.mgmresorts.com/content/dam/MGM/corporate/corporateinitiatives/welcome-to-the-show/mgm-resorts-truth-about-entertainmentinfographic.pdf MISHRA, Abhishek. Data Exploration and Preprocessing. Machine Learning for iOS Developers. [en línea] John Wiley & Sons, Ltd. 2020.[Consultado 30 de agosto de 2021] Capítulo 3. Disponible en https://onlinelibrary.wiley.com/doi/epub/10.1002/9781119602927 NUMPY. What is NumPy?. [En línea] The NumPy community. 22 de junio de 2021. [Consultado: 28 de octubre de 2021] Disponible en: https://numpy.org/doc/stable/user/whatisnumpy.html OPENCV. OpenCV: Introduction. [En línea]. OpenCV. 9 de octubre de 2021. [Consultado: 28 de octubre de 2021]. Disponible en: https://docs.opencv.org/4.5.4/d1/dfb/intro.html PATEL, Meher Krishna. 1. Pandas Basic. [En línea] pandasguide.readthedocs.io [Consultado: 28 de octubre de 2021]. Disponible en: https://pandasguide.readthedocs.io/en/latest/Pandas/basic.html PYTHON. What is Python?: Executive Summary. [En línea] Python.org. [Consultado: 10 de agosto de 2021] Disponible en: https://www.python.org/doc/essays/blurb/ PYTHON SOFTWARE FOUNDATION. Os – Miscellaneous operating system interfaces. [En línea] Python.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://docs.python.org/3/library/os.html --------. Graphical User Interfaces with Tk. [En línea] Python.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://docs.python.org/3/library/tk.html RAMIREZ MORENO, David F. y HURTADO LOPEZ, Julián. Modelamiento y simulación de circuitos sinápticos sensoriomotores: Introducción a la neurobiología computacional. Colombia: Universidad Autónoma de Occidente. 2014. 152 p. ISBN: 9789588713571 ROVAI, Marcelo. Realtime Multiple Person 2D Pose Estimation using TensorFlow 2x. [En línea] Towards data science. 3 de Agosto de 2020. [Consultado: 7 de septiembre de 2020] Disponible en: https://towardsdatascience.com/realtimemultiple- person-2d-pose-estimation-using-tensorflow2-x-93e4c156d45f SCIKIT-LEARN DEVELOPERS. 3.3 Metrics and scoring: quantifying the quality of predictions. [En línea]. Scikit-learn.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://scikit-learn.org/stable/modules/model_evaluation.html SOLAI, Pavithra. Convolutions and Backpropagations. [En línea] Medium.com. 19 de marzo de 2018. [Consultado: 5 de mayo de 2021]. Disponible en: https://medium.com/@pavisj/convolutions-and-backpropagations-46026a8f5d2c STANFORD UNIVERSITY. Unsupervised Feature Learning and Deep Learning Tutorial. [En línea] Deep Learning, Computer Science Department. [Consultado: 26 de julio de 2021] Disponible en: http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/ TENSORFLOW. Pose estimation. [En línea] Tensorflow.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://www.tensorflow.org/lite/examples/pose_estimation/overview VARIZANI, JYOTI. 10 Real World Examples of Deep Learning Models & AI. [En línea] Futran Solutions. [Consultado: 8 de septiembre de 2021]. Disponible en: https://www.futransolutions.com/10-real-world-examples-of-deep-learning-modelsai/ YADAV, Deepak. Posture Detection using tf-pose-estimation. [En línea] Medium.com. 22 de octubre de 2019. [Consultado: 6 de julio de 2020] Disponible en: https://medium.com/@deepakec1031/posture-detection-using-tf-poseestimation-fdad6197303b YALTA, Nelson, et al. Weakly – Supervised Deep Recurrent Neural Networks for Basic Dance Step Generation. [En línea] IJCNN. 2019. [Consultado: 11 de mayo de 2021] Disponible en: https://arxiv.org/pdf/1807.01126.pdf WASKOM, Michael. An introduction to seaborn. [En línea]. Seaborn.pydata.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://seaborn.pydata.org/introduction.html ZHOU, Victor. CNNs, Part 1: An Introduction to Convolutional Neural Network. [En línea] Victorzhou.com. 22 de mayo de 2019. [Consultado: 4 de mayo de 2021] Disponible en: https://victorzhou.com/blog/intro-to-cnns-part-1/ --------, --------. CNNs, Part 2: Training a Convolutional Neural Network. [En línea] Victorzhou.com. 29 de mayo de 2019. [Consultado: 4 de mayo de 2021] Disponible en: https://victorzhou.com/blog/intro-to-cnns-part-2/
dc.rights.spa.fl_str_mv	Derechos reservados - Universidad Autónoma de Occidente, 2021
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.eng.fl_str_mv	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.eng.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.creativecommons.spa.fl_str_mv	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
rights_invalid_str_mv	Derechos reservados - Universidad Autónoma de Occidente, 2021 https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.extent.spa.fl_str_mv	93 páginas
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.spa.fl_str_mv	Universidad Autónoma de Occidente
dc.publisher.program.spa.fl_str_mv	Ingeniería Mecatrónica
dc.publisher.department.spa.fl_str_mv	Departamento de Automática y Electrónica
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería
dc.publisher.place.spa.fl_str_mv	Cali
institution	Universidad Autónoma de Occidente
bitstream.url.fl_str_mv	https://red.uao.edu.co/bitstreams/f9128eb2-31bd-4643-bd30-39b28603216c/download https://red.uao.edu.co/bitstreams/ec20f391-e4ed-4a9b-842a-21c9b5b0394e/download https://red.uao.edu.co/bitstreams/035780f0-620d-4423-b86f-ac550b14ce46/download https://red.uao.edu.co/bitstreams/a21e4c65-415b-49b7-94fe-6d926b96f8b2/download https://red.uao.edu.co/bitstreams/741e93bc-1aac-45f3-90bd-d0876bcd159b/download https://red.uao.edu.co/bitstreams/3d6047aa-fa85-4369-845f-38e3d2163920/download https://red.uao.edu.co/bitstreams/e53b58c8-b07e-4060-96c3-5e27fc66c2a9/download https://red.uao.edu.co/bitstreams/a35b3da3-cfaf-47e2-998e-b04b43b6a4ec/download https://red.uao.edu.co/bitstreams/cc1313ba-caa3-4339-84c0-a44df5c93bea/download https://red.uao.edu.co/bitstreams/4bdb319f-efe1-4f80-b172-f12f7c64e71f/download https://red.uao.edu.co/bitstreams/96f312e5-2f99-4460-896f-7b1b7d3c58e5/download https://red.uao.edu.co/bitstreams/50d43f3c-f363-4c15-9359-3e1452e00f5b/download https://red.uao.edu.co/bitstreams/e25ec07a-5f73-4cae-ae3e-b9699363de0a/download https://red.uao.edu.co/bitstreams/f8811bee-37c3-42ae-bb4b-30742efa961b/download https://red.uao.edu.co/bitstreams/a1d37fa0-9ca4-4390-9829-167e92c71473/download https://red.uao.edu.co/bitstreams/459ef294-0b87-4f49-bb7e-5f0d8857b36b/download https://red.uao.edu.co/bitstreams/c706043f-bb65-4943-80b2-77dfb0748462/download https://red.uao.edu.co/bitstreams/0840fc0a-6b55-4c08-b062-e9972d359af8/download https://red.uao.edu.co/bitstreams/45bd9c75-ab23-476d-83ca-a6721bfd26be/download https://red.uao.edu.co/bitstreams/b192d953-769e-48b6-b24d-22a88a6bdedc/download https://red.uao.edu.co/bitstreams/7e8c82e2-4e68-4548-a0b1-310b43c419a5/download
bitstream.checksum.fl_str_mv	20b5ba22b1117f71589c7318baa2c560 8757c80a22a823c38f26a02256910c25 061c6a048088e653d9234df61378e56c acfaa12156f88293efe64f909b7bbbc8 563617ec86dc7ad0ea62d28a683451b9 a7ea855fbf0b080e316534ffc82ca13e 6df747d8bbdfa9529e65b94d56ab3838 84bcc5896cae966bdc3e43b1e0415af0 a92aa51e78ae9be4b3657878297a1eb4 d129e2914233957f2e8c8578732002b4 f69743e044e1e028d4bdefa1a3700345 02c91fff0804289e23ae42c03ef845d8 a254a44202ef35d399b180d26de061b7 0054e330a1a8f78783c4937e8509dc49 a44952b013d8e0348f0b9161be833496 6072c6f5b30c54a388d9fb19c94b4de9 61caab3b6f4f6d8f7e02ee773fb39ff0 32e7e20f5a871839f49d0c1066b2a964 55c7f632528328801392f2ed91ed337b 7059fab99da752c6e8368970b5f05cf4 a5434e84a6a4bac70b4f352a88e80878
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Digital Universidad Autonoma de Occidente
repository.mail.fl_str_mv	repositorio@uao.edu.co
_version_	1814259948689817600
spelling	Ramírez Moreno, David Fernandovirtual::4295-1Marín Martínez, Camila Andreaa8891600e311f4c82416610b24dddfefParedes Tafur, Andrés Felipee31473e203f9ddcd3e73964c2472b5f3Universidad Autónoma de Occidente2021-12-09T13:35:50Z2021-12-09T13:35:50Z2021-11-23https://hdl.handle.net/10614/13521Universidad Autónoma de OccidenteRepositorio Educativo Digitalhttps://red.uao.edu.co/La Inteligencia Artificial (IA) se ha proyectado en la última década como una herramienta innovadora, implementada en diversas áreas como la ingeniería y la medicina entre otras disciplinas, para problemas de gran complejidad cuya solución se puede hallar, con base en algoritmos matemáticos inspirados en la estructura y comportamiento neuronal de los seres vivos, con el fin de resolver los problemas analógicamente a la resolución natural de los seres simulados. Para dar solución al proceso de mejora y control en la dinámica del baile, se presenta una alternativa que evalúa la ejecución de los movimientos correspondientes a diferentes modalidades de baile, haciendo uso de Redes Neuronales Artificiales; a su vez, se refieren como parámetros técnicos un conjunto diverso de datasets, que permiten la evaluación precisa en la ejecución de cada baile. Los datasets implementados se generaron con la herramienta de tf pose estimation, luego, fueron procesados y presentados a las diferentes estructuras de red elaboradas en los softwares de Matlab y Python, buscando el mejor rendimiento e interpretación del baile en las estructuras neurales. Posteriormente, un análisis comparativo determinó qué tipo de red se adecúa más a la necesidad presentada, este ejercicio se realizó con el uso de matrices de confusión para implementar criterios de evaluación generalizados que comprenden la exactitud, la precisión y la sensibilidad. Finalmente, se espera que los resultados obtenidos sirvan de base para futuras investigaciones relacionadas al desarrollo tecnológico, concerniente al área del entretenimiento y permitan una profundización investigativa en la clasificación de imágenes mediante redes neuronales.Artificial Intelligence (AI) has been projected in the last decade as an innovative tool, implemented in various areas such as engineering and medicine among other disciplines, for highly complex problems whose solution can be found, based on mathematical algorithms inspired by the neuronal structure and behavior of living beings, in order to solve problems analogously to the natural resolution of simulated beings. To solve the process of improvement and control in the dynamics of dance, an alternative is presented that evaluates the execution of the movements corresponding to different dance modalities, making use of Artificial Neural Networks; in turn, a diverse set of datasets are referred to as technical parameters, which allow precise evaluation in the execution of each dance. The implemented datasets were generated with the tf pose estimation tool, then, they were processed and presented to the different network structures elaborated in the Matlab and Python software, looking for the best performance and interpretation of the dance in the neural structures. Subsequently, a comparative analysis determined which type of network best suits the presented need. This exercise was carried out with the use of confusion matrices to implement generalized evaluation criteria that include accuracy, precision and sensitivity. Finally, it is expected that the results obtained will serve as the basis for future research related to technological development, concerning the area of entertainment and allow an investigative deepening in the classification of images through neural networks.Pasantía de investigación (Ingeniero Mecatrónico)-- Universidad Autónoma de Occidente, 2021PregradoIngeniero(a) Mecatrónico(a)93 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería MecatrónicaDepartamento de Automática y ElectrónicaFacultad de IngenieríaCaliDerechos reservados - Universidad Autónoma de Occidente, 2021https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Ingeniería MecatrónicaRedes neurales (Computadores)Neural networks (Computer science)Identificación de bailePythonMatlabDance identificationDiseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendicesTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_71e4c1898caa6e32Marín Martínez, C. A. y Paredes Tafur. J. (2021). Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices. [Tesis de Pregrado. Universidad Autónoma de Occidente]. https://hdl.handle.net/10614/13521ACEVEDO, Natalia. Matriz de confusión en Machine Learning. Explicado paso a paso. [En línea] Nataliaacevedo.com. 23 de octubre de 2020. [Consultado: 12 de agosto de 2021] Disponible en: https://nataliaacevedo.com/matriz-de-confusion-enmachine- learning-explicado-paso-a-paso/ALBERICH, Jordi; GÓMEZ FONTANILLS, David y FERRER FRANQUESA, Alba. Percepción Visual. [En línea] España: Universitat Oberta de Catalunya. 2013. 66 p. [Consultado el 16 de mayo de 2020]. Disponible en: https://www.exabyteinformatica.com/uoc/Disseny_grafic/Diseno_grafico/Diseno_grafico_(Modulo_1).pdfALEMI, Omid, FRANÇOISE, Jules y PASQUIER, Phipippe. GrooveNet: Real-Time Music Driven Dance Movement Generation using Artificial Neural Networks. En: Machine Learning for Creativity. [En línea] Canadá, agosto 2017. 6 p. [Consultado: 10 de marzo de 2021]. Disponible en: https://omid.al/docs/groovenet-ml4c-2017.pdfAMAZON. Aprendizaje automático para aplicaciones multimedia. [En línea] USA. [Consultado: 9 de septiembre de 2021] Disponible en: https://aws.amazon.com/es/media/tech/machine-learning-for-media-applications/Anónimo. El ritmo, un elemento esencial del baile. About Español. [2019]. [Consultado el 16 de mayo de 2020]. Disponible en: https://www.aboutespanol.com/el-ritmo-un-elemento-esencial-del-baile-297914AYUNTAMIENTO DE GRANADA. Información General: Análisis espectral. [En línea] Granada, España. (20 de mayo de 2014) [Consultado 20 de agosto de 2021] Disponible en: https://www.granada.org/inet/sonidos.nsf/d483b298c3f6a1b9c1257cdd00384c53/3fdfc36a7489b607c1257cde0024bb34!OpenDocumentÁZUCAR COMPAÑÍA ARTÍSTICA & ESCUELA DE BAILE. [vídeo] Santiago de Cali. Facebook. Azúcar compañía artística & escuela de baile. (29 de marzo de 2020). 0:11 minutos. [Consultado: 17 de mayo de 2020]. Disponible en: https://www.facebook.com/azucarescueladebaile/videos/2533679163403777/BARRIOS ARCE, Juan I. La matriz de confusión y sus métricas. [En línea] Health Big Data. 2019. [Consultado: 12 de agosto de 2021] Disponible en: https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/BERZAL, Fernando. Entrenamiento de redes neuronales. [diapositivas] Universidad de Granada. Granada, España. 37 diapositivas. [Consultado 20 de agosto de 2021]. Disponible en: https://elvex.ugr.es/decsai/deeplearning/ slides/NN4%20Training.pdfBUDUMA, Nikhil. Fundamentals of Deep Learning. 1ra Edición. USA: Sebastopol. O’Reilly. 2017. ISBN: 9781491925614CAO, ZHE, et al. Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields. En: CVPR. [En línea] USA. 2017. [Consultado: 25 de octubre de 2021]. Disponible en: https://arxiv.org/pdf/1611.08050.pdfCHAN, Caroline, et al. Everybody Dance Now. 1ra USA. ICCV. 2019. [Consultado: 10 de marzo de 2021]. Disponible en: https://arxiv.org/pdf/1808.07371.pdfCOOPERATIVE INSTITUTE FOR METEOLOGICAL SATELLITE STUDIES. What is Matlab? [En línea] University of Wisconsin – Madison. CIMSS. [Consultado: 2 de julio de 2021] Disponible en: https://cimss.ssec.wisc.edu/wxwise/class/aos340/spr00/whatismatlab.htmCUESTAS, Eduardo. Variables. En: Revista de la Facultad de Ciencias Médicas. [En línea] Argentina: Universidad Nacional de Córdoba, agosto-septiembre 2009. vol. 66, nro. 3. p. 118 – 122. [Consultado: 15 de agosto de 2021] Disponible en: http://www.revista2.fcm.unc.edu.ar/Rev.2009.3/Variables_Cuesta.pdfCRNKOVIC-FRISS, Luka y CRNKOVIC-FRISS, Louise. Generative Choreography using Deep Learning. USA. 7th International Conference on Computacional Creativity. 2016. [Consultado: 10 de marzo de 2021]. Disponible en: https://arxiv.org/ftp/arxiv/papers/1605/1605.06921.pdfDONAHUE, Chris, LIPTON, Zachary y MCAULEY, Julian. Dance Dance Convolution. [En línea] Cornell University . USA. ICML. Conference paper. 2017. [Consultado: 10 de marzo de 2021]. Disponible en: https://arxiv.org/pdf/1703.06891.pdfEREÑO Álvarez, C. El proceso de enseñanza-aprendizaje en la danza tradicional. Alternativas metodológicas. Reflexiones desde la propia práctica [En línea] Lecturas: Educación Física y Deportes. No. 46. Buenos Aires. 2002. [Consultado el 16 de mayo de 2020]. Disponible en: https://www.efdeportes.com/efd46/baile.htmFOMINAYA, Carlota. Velocidad de procesamiento ¿Qué es y cómo influye en tu hijo? [En línea] En: ABC Educación. España. 2019. [Consultado el 16 de mayo de 2020]. Disponible en: https://www.abc.es/familia/educacion/abci-velocidadprocesamiento- y-como-influye-inteligencia-hijo-201903250148_noticia.htmlFRANCO GARCÍA, Angel. Interpolación. [En línea] Universidad del País Vasco. País Vasco. [Consultado: 13 de mayo de 2021] Disponible en: http://www.sc.ehu.es/sbweb/fisica3/datos/regresion/interpolacion.htmlGAMBOA DE BUEN, Berta. El uso de la palabra promedio y su significado matemático. [En línea] Ciencia y Desarrollo. México [Consultado 10 de agosto de 2021] Disponible en: https://www.cyd.conacyt.gob.mx/?p=articulo&id=127GARCIA FERNANDEZ, Luis Alberto. Usos y aplicaciones de la inteligencia artificial. En: La Ciencia y el Hombre. México. 2004. [Consultado el 15 de mayo de 2020]. Disponible en: https://www.uv.mx/cienciahombre/revistae/vol17num3/articulos/inteligencia/GARDNER, Howard. La danza. En: Revista Kinesis Vol 2 Nº. 6. Bogotá. D. E. 1991. Res. Min. Gobierno 2113/89.GONZALEZ LOPEZ, Francisco Javier. Desarrollo de un sistema de interacción humano-humanoide mediante el reconocimiento y aprendizaje del lenguaje corporal [en línea]. Trabajo de grado Ingeniero Mecatrónico. Santiago de Cali. Universidad Autónoma de Occidente. Facultad de Ingeniería. Departamento de Ingeniería. 2018. 54 - 64 p. [Consultado: 20 de febrero de 2020]. Disponible en: Biblioteca - Recursos Electrónicos. http://hdl.handle.net/10614/10162GONZÁLEZ, Mónica. Bailar, ¿una profesión o una afición?. [blog]. Blogs EMagister. [Consultado 17 de mayo de 2020] Disponible en_ https://www.emagister.com/blog/bailar-una-profesion-o-una-aficion/HAYKIN, Simon. Neural Networks and Learning Machines. 2da Edición. New Jersey: Pearson Education. 1999. ISBN: 9780131471399HE, Kaiming, et al. Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification. [En línea] USA. (6 de febrero de 2015). [Consultado: 15 de julio de 2021]. Disponible en: https://arxiv.org/pdf/1502.01852v1.pdfHSU, Hwei P. Signals and Systems. 1ra ed. USA: McGraw-Hill. 1995. 470 p. ISBN: 0070306419.JARAMILLO ECHEVERRY, Luis Guillermo y MURCIA PEÑA, Napoleón. La danza y el baile. [En línea] Lecturas: Educación Física y Deportes. No. 46. Buenos Aires. 2002. [Consultado el 14 de mayo de 2020]. Disponible en: https://www.efdeportes.com/efd46/baile.htmKHAN ACADEMY. Standard Deviation: Calculating Step by step. [En línea] Khanacademy.org [Consultado: 13 de mayo de 2021] Disponible en: https://www.khanacademy.org/math/statistics-probability/summarizing-quantitativedata/ variance-standard-deviation-population/a/calculating-standard-deviation-stepbystep#:~: text=Step%201%3A%20Find%20the%20mean,the%20number%20of%20d ata%20points.KERAS. About Keras. [En línea] Keras.io. [Consultado: 28 de octubre de 2021]. Disponible en: https://keras.io/about/LEXICO BY OXFORD. Coreografía. [en línea] Oxford Languages. [Consultado: 20 de septiembre de 2021] Disponible en: https://www.lexico.com/es/definicion/coreografia--------, Dato. [en línea] Oxford Languages. [Consultado: 20 de septiembre de 2021]. Disponible en: https://www.lexico.com/es/definicion/datoMARTIN, Eugenia. ¡Conoce qué es un fotograma y cómo están hechas las películas! [en línea] Crehana. (9 de marzo de 2021) [Consultado: 20 de agosto de 2021] Disponible en: https://www.crehana.com/co/blog/video/que-es-un-fotograma/MATLAB. Anonymous Functions. [en línea] Mathworks. [Consultado 2 de julio de 2021] Disponible en: https://www.mathworks.com/help/matlab/matlab_prog/anonymous-functions.html--------. Creating, Concatening and Expanding Matrices. [En línea] Mathworks [Consultado 2 de julio de 2021] Disponible en: https://la.mathworks.com/help/matlab/math/creating-and-concatenatingmatrices. html?lang=en--------. El lenguaje del cálculo técnico. [En línea]. Mathworks. [Consultado: 28 de octubre de 2021] Disponible en: https://es.mathworks.com/products/matlab.html--------. MATLAB Product Description. [En línea]. Mathworks. [Consultado: 28 de octubre de 2021] Disponible en: https://es.mathworks.com/help/matlab/learn_matlab/productdescription. html?lang=enMATPLOTLIB DEVELOPMENT TEAM. Matplotlib: Python plotting. [En línea]. Matplotlib.org. 13 de agosto de 2021. [Consultado: 28 de octubre de 2021]. Disponible en: https://matplotlib.org/MICROSOFT. Crear o editar archivos .csv para importarlos a Outlook. [En línea] Support Microsoft. [Consultado: 10 de agosto de 2021] Disponible en: https://support.microsoft.com/es-es/office/crear-o-editar-archivos-csv-paraimportarlos- a-outlook-4518d70d-8fe9-46ad-94fa-1494247193c7MGM RESORTS INTERNATIONAL. The Truth About Entertainment [infografía]. Disponible en: https://www.mgmresorts.com/content/dam/MGM/corporate/corporateinitiatives/welcome-to-the-show/mgm-resorts-truth-about-entertainmentinfographic.pdfMISHRA, Abhishek. Data Exploration and Preprocessing. Machine Learning for iOS Developers. [en línea] John Wiley & Sons, Ltd. 2020.[Consultado 30 de agosto de 2021] Capítulo 3. Disponible en https://onlinelibrary.wiley.com/doi/epub/10.1002/9781119602927NUMPY. What is NumPy?. [En línea] The NumPy community. 22 de junio de 2021. [Consultado: 28 de octubre de 2021] Disponible en: https://numpy.org/doc/stable/user/whatisnumpy.htmlOPENCV. OpenCV: Introduction. [En línea]. OpenCV. 9 de octubre de 2021. [Consultado: 28 de octubre de 2021]. Disponible en: https://docs.opencv.org/4.5.4/d1/dfb/intro.htmlPATEL, Meher Krishna. 1. Pandas Basic. [En línea] pandasguide.readthedocs.io [Consultado: 28 de octubre de 2021]. Disponible en: https://pandasguide.readthedocs.io/en/latest/Pandas/basic.htmlPYTHON. What is Python?: Executive Summary. [En línea] Python.org. [Consultado: 10 de agosto de 2021] Disponible en: https://www.python.org/doc/essays/blurb/PYTHON SOFTWARE FOUNDATION. Os – Miscellaneous operating system interfaces. [En línea] Python.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://docs.python.org/3/library/os.html--------. Graphical User Interfaces with Tk. [En línea] Python.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://docs.python.org/3/library/tk.htmlRAMIREZ MORENO, David F. y HURTADO LOPEZ, Julián. Modelamiento y simulación de circuitos sinápticos sensoriomotores: Introducción a la neurobiología computacional. Colombia: Universidad Autónoma de Occidente. 2014. 152 p. ISBN: 9789588713571ROVAI, Marcelo. Realtime Multiple Person 2D Pose Estimation using TensorFlow 2x. [En línea] Towards data science. 3 de Agosto de 2020. [Consultado: 7 de septiembre de 2020] Disponible en: https://towardsdatascience.com/realtimemultiple- person-2d-pose-estimation-using-tensorflow2-x-93e4c156d45fSCIKIT-LEARN DEVELOPERS. 3.3 Metrics and scoring: quantifying the quality of predictions. [En línea]. Scikit-learn.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://scikit-learn.org/stable/modules/model_evaluation.htmlSOLAI, Pavithra. Convolutions and Backpropagations. [En línea] Medium.com. 19 de marzo de 2018. [Consultado: 5 de mayo de 2021]. Disponible en: https://medium.com/@pavisj/convolutions-and-backpropagations-46026a8f5d2cSTANFORD UNIVERSITY. Unsupervised Feature Learning and Deep Learning Tutorial. [En línea] Deep Learning, Computer Science Department. [Consultado: 26 de julio de 2021] Disponible en: http://ufldl.stanford.edu/tutorial/supervised/ConvolutionalNeuralNetwork/TENSORFLOW. Pose estimation. [En línea] Tensorflow.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://www.tensorflow.org/lite/examples/pose_estimation/overviewVARIZANI, JYOTI. 10 Real World Examples of Deep Learning Models & AI. [En línea] Futran Solutions. [Consultado: 8 de septiembre de 2021]. Disponible en: https://www.futransolutions.com/10-real-world-examples-of-deep-learning-modelsai/YADAV, Deepak. Posture Detection using tf-pose-estimation. [En línea] Medium.com. 22 de octubre de 2019. [Consultado: 6 de julio de 2020] Disponible en: https://medium.com/@deepakec1031/posture-detection-using-tf-poseestimation-fdad6197303bYALTA, Nelson, et al. Weakly – Supervised Deep Recurrent Neural Networks for Basic Dance Step Generation. [En línea] IJCNN. 2019. [Consultado: 11 de mayo de 2021] Disponible en: https://arxiv.org/pdf/1807.01126.pdfWASKOM, Michael. An introduction to seaborn. [En línea]. Seaborn.pydata.org. [Consultado: 28 de octubre de 2021]. Disponible en: https://seaborn.pydata.org/introduction.htmlZHOU, Victor. CNNs, Part 1: An Introduction to Convolutional Neural Network. [En línea] Victorzhou.com. 22 de mayo de 2019. [Consultado: 4 de mayo de 2021] Disponible en: https://victorzhou.com/blog/intro-to-cnns-part-1/--------, --------. CNNs, Part 2: Training a Convolutional Neural Network. [En línea] Victorzhou.com. 29 de mayo de 2019. [Consultado: 4 de mayo de 2021] Disponible en: https://victorzhou.com/blog/intro-to-cnns-part-2/GeneralPublicationhttps://scholar.google.com/citations?user=RTce1fkAAAAJ&hl=esvirtual::4295-10000-0003-2372-3554virtual::4295-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000353744virtual::4295-161e20236-82c5-4dcc-b05c-0eaa9ac06b11virtual::4295-161e20236-82c5-4dcc-b05c-0eaa9ac06b11virtual::4295-1LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/f9128eb2-31bd-4643-bd30-39b28603216c/download20b5ba22b1117f71589c7318baa2c560MD53ORIGINALT10031_Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices.pdfT10031_Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices.pdfTexto archivo completo del trabajo de grado, PDFapplication/pdf1370418https://red.uao.edu.co/bitstreams/ec20f391-e4ed-4a9b-842a-21c9b5b0394e/download8757c80a22a823c38f26a02256910c25MD54T10031A_Anexo A. Código procesamiento de imágenes.pyT10031A_Anexo A. Código procesamiento de imágenes.pyAnexo A. Código procesamiento de imágenesapplication/octet-stream5319https://red.uao.edu.co/bitstreams/035780f0-620d-4423-b86f-ac550b14ce46/download061c6a048088e653d9234df61378e56cMD55T10031B_Anexo B. Código función de interpolación y desviación estándar.pyT10031B_Anexo B. Código función de interpolación y desviación estándar.pyAnexo B. Código función de interpolación y desviación estándarapplication/octet-stream2899https://red.uao.edu.co/bitstreams/a21e4c65-415b-49b7-94fe-6d926b96f8b2/downloadacfaa12156f88293efe64f909b7bbbc8MD56T10031C_Anexo C. Código generación dataset de convolucional.mT10031C_Anexo C. Código generación dataset de convolucional.mAnexo C. Código generación dataset de convolucionalapplication/octet-stream3514https://red.uao.edu.co/bitstreams/741e93bc-1aac-45f3-90bd-d0876bcd159b/download563617ec86dc7ad0ea62d28a683451b9MD57T10031D_Anexo D. Código MLP Matlab.mT10031D_Anexo D. Código MLP Matlab.mCódigo MLP Matlabapplication/octet-stream1987https://red.uao.edu.co/bitstreams/3d6047aa-fa85-4369-845f-38e3d2163920/downloada7ea855fbf0b080e316534ffc82ca13eMD58T10031E_Anexo E. Código División de datos MLP Matlab.mT10031E_Anexo E. Código División de datos MLP Matlab.mAnexo E. Código División de datos MLP Matlabapplication/octet-stream339https://red.uao.edu.co/bitstreams/e53b58c8-b07e-4060-96c3-5e27fc66c2a9/download6df747d8bbdfa9529e65b94d56ab3838MD59T10031F_Anexo F. Código Inicialización MLP Matlab.mT10031F_Anexo F. Código Inicialización MLP Matlab.mAnexo F. Código Inicialización MLP Matlabapplication/octet-stream579https://red.uao.edu.co/bitstreams/a35b3da3-cfaf-47e2-998e-b04b43b6a4ec/download84bcc5896cae966bdc3e43b1e0415af0MD510T10031G_Anexo G. Código Funciones de activación Matlab.mT10031G_Anexo G. Código Funciones de activación Matlab.mAnexo G. Código Funciones de activación Matlabapplication/octet-stream902https://red.uao.edu.co/bitstreams/cc1313ba-caa3-4339-84c0-a44df5c93bea/downloada92aa51e78ae9be4b3657878297a1eb4MD511T10031H_Anexo H. Código entrenamiento MLP Matlab.mT10031H_Anexo H. Código entrenamiento MLP Matlab.mAnexo H. Código entrenamiento MLP Matlabapplication/octet-stream597https://red.uao.edu.co/bitstreams/4bdb319f-efe1-4f80-b172-f12f7c64e71f/downloadd129e2914233957f2e8c8578732002b4MD512T10031I_Anexo I. Código Feedforward MLP Matlab.mT10031I_Anexo I. Código Feedforward MLP Matlab.mAnexo I. Código Feedforward MLP Matlabapplication/octet-stream323https://red.uao.edu.co/bitstreams/96f312e5-2f99-4460-896f-7b1b7d3c58e5/downloadf69743e044e1e028d4bdefa1a3700345MD513T10031J_Anexo J. Código Backward MLP Matlab.mT10031J_Anexo J. Código Backward MLP Matlab.mAnexo J. Código Backward MLP Matlabapplication/octet-stream802https://red.uao.edu.co/bitstreams/50d43f3c-f363-4c15-9359-3e1452e00f5b/download02c91fff0804289e23ae42c03ef845d8MD514T10031K_Anexo K. Código MLP Keras.ipynbT10031K_Anexo K. Código MLP Keras.ipynbAnexo K. Código MLP Kerasapplication/octet-stream260579https://red.uao.edu.co/bitstreams/e25ec07a-5f73-4cae-ae3e-b9699363de0a/downloada254a44202ef35d399b180d26de061b7MD515T10031L_Anexo L. Código CNN Keras.ipynbT10031L_Anexo L. Código CNN Keras.ipynbAnexo L. Código CNN Kerasapplication/octet-stream58994https://red.uao.edu.co/bitstreams/f8811bee-37c3-42ae-bb4b-30742efa961b/download0054e330a1a8f78783c4937e8509dc49MD516T10031M_Anexo M. Links de vídeos extraídos de internet.txtT10031M_Anexo M. Links de vídeos extraídos de internet.txtAnexo M. Links de vídeos extraídos de internettext/plain4170https://red.uao.edu.co/bitstreams/a1d37fa0-9ca4-4390-9829-167e92c71473/downloada44952b013d8e0348f0b9161be833496MD517TA10031_Autorización trabajo de grado.pdfTA10031_Autorización trabajo de grado.pdfAutorización publicación del trabajo de gradoapplication/pdf282205https://red.uao.edu.co/bitstreams/459ef294-0b87-4f49-bb7e-5f0d8857b36b/download6072c6f5b30c54a388d9fb19c94b4de9MD518TEXTT10031_Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices.pdf.txtT10031_Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices.pdf.txtExtracted texttext/plain138692https://red.uao.edu.co/bitstreams/c706043f-bb65-4943-80b2-77dfb0748462/download61caab3b6f4f6d8f7e02ee773fb39ff0MD519T10031M_Anexo M. Links de vídeos extraídos de internet.txt.txtT10031M_Anexo M. Links de vídeos extraídos de internet.txt.txtExtracted texttext/plain4060https://red.uao.edu.co/bitstreams/0840fc0a-6b55-4c08-b062-e9972d359af8/download32e7e20f5a871839f49d0c1066b2a964MD521TA10031_Autorización trabajo de grado.pdf.txtTA10031_Autorización trabajo de grado.pdf.txtExtracted texttext/plain4080https://red.uao.edu.co/bitstreams/45bd9c75-ab23-476d-83ca-a6721bfd26be/download55c7f632528328801392f2ed91ed337bMD522THUMBNAILT10031_Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices.pdf.jpgT10031_Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices.pdf.jpgGenerated Thumbnailimage/jpeg6866https://red.uao.edu.co/bitstreams/b192d953-769e-48b6-b24d-22a88a6bdedc/download7059fab99da752c6e8368970b5f05cf4MD520TA10031_Autorización trabajo de grado.pdf.jpgTA10031_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13474https://red.uao.edu.co/bitstreams/7e8c82e2-4e68-4548-a0b1-310b43c419a5/downloada5434e84a6a4bac70b4f352a88e80878MD52310614/13521oai:red.uao.edu.co:10614/135212024-03-19 09:05:18.111https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos reservados - Universidad Autónoma de Occidente, 2021open.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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

Diseño de una red neuronal artificial profunda para la identificación de falencias rítmicas en bailarines aprendices

Publicaciones similares