Reconocimiento facial basado en técnicas machine learning
DOI:
https://doi.org/10.64351/rteincoscholar.N2.art6Palabras clave:
Machine learning, Inteligencia artificial, ReconocimientoResumen
El machine learning es un método de análisis de datos que automatiza el reconocimiento humano por medio de modelos analíticos; hoy en día es muy importante ya que gracias a estas técnicas ha sido posible que las máquinas creen algoritmos que les facilita identificar varios factores humanos, tales como los sentimientos, la voz y los gestos faciales. Debido a esto surge la interrogante ¿qué tan eficaces son las técnicas machine learning?, se pretende dar una respuesta a través de una revisión bibliográfica de cincuenta fuentes las cuales serán analizadas en el desarrollo de este artículo y se identificarán las diferentes ramas basadas en las técnicas machine learning.
Referencias
Suárez León, A. A. Vázquez Seisdedos, C. R. (Dir.) y Huffel, S. V. (Dir.). (2018). Machine learning approaches for ambulatory electrocardiography signal processing. Editorial Universitaria.
Erickson, B. J., Korfiatis, P., Akkus, Z., & Kline, T. L. (2017). Machine learning for medical imaging. Radiographics, 37(2), 505-515.
Lugo-Reyes, S. O., Maldonado-Colín, G., & Murata, C. (2014). Inteligencia artificial para asistir el diagnóstico clínico en medicina. Revista Alergia México, 61(2), 110-120.
Vega, M. Á., Mora, L. M. Q., & Badilla, M. V. C. (2020). Inteligencia artificial y aprendizaje automático en medicina. Revista Médica Sinergia, 5(8), e557-e557.
Ahamed, F., & Farid, F. (2018, December). Applying internet of things and machine-learning for personalized healthcare: Issues and challenges. In 2018 International Conference on Machine Learning and Data Engineering (iCMLDE) (pp. 19-21). IEEE.
Cleophas, T. J., Zwinderman, A. H., & Cleophas-Allers, H. I. (2013). Machine learning in medicine (Vol. 9). Dordrecht, The Netherlands: Springer.
Obermeyer, Z., & Emanuel, E. J. (2016). Predicting the future—big data, machine learning, and clinical medicine. The New England journal of medicine, 375(13), 1216.
Plis, S. M., Hjelm, D. R., Salakhutdinov, R., Allen, E. A., Bockholt, H. J., Long, J. D., ... & Calhoun, V. D. (2014). Deep learning for neuroimaging: a validation study. Frontiers in neuroscience, 8, 229
Kavakiotis, I., Tsave, O., Salifoglou, A., Maglaveras, N., Vlahavas, I., & Chouvarda, I. (2017). Machine learning and data mining methods in diabetes research. Computational and structural biotechnology journal, 15, 104-116.
Zoph, B., Vasudevan, V., Shlens, J., & Le, Q. V. (2018). Learning transferable architectures for scalable image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 8697-8710).
Spratling, M. W., & Dayan, P. (2006). Learning Image Components for Object Recognition. Journal of Machine Learning Research, 7(5).
Zhang, L., He, Z. y Liu, Y. (2017). Reconocimiento profundo de objetos en todos los dominios basado en una máquina de aprendizaje extrema adaptativa. Neurocomputación, 239, 194-203.
Yang, S., Bo, L., Wang, J. y Shapiro, L. (2012). Aprendizaje de plantillas sin supervisión para un reconocimiento de objetos detallado. Avances en los sistemas de procesamiento de información neuronal, 25, 3122-3130.
Pinto, A. M., Rocha, L. F., & Moreira, A. P. (2013). Object recognition using laser range finder and machine learning techniques. Robotics and Computer-Integrated Manufacturing, 29(1), 12-22.
Wohlhart, P. y Lepetit, V. (2015). Aprendizaje de descriptores para reconocimiento de objetos y estimación de pose 3D. En Actas de la conferencia IEEE sobre visión por computadora y reconocimiento de patrones (págs. 3109-3118).
Kubota, T. (2017). Deep learning algorithm does as well as dermatologists in identifying skin cancer. Online, jan.
Russo, C., Ramón, H. D., Alonso, N., Cicerchia, L. B., Esnaola, L., & Tessore, J. P. (2016). Tratamiento masivo de datos utilizando técnicas de Machine Learning. In XVIII Workshop de Investigadores en Ciencias de la Computación (Entre Ríos, Argentina).
Santos, D., Dallos, L., & Gaona-García, P. A. (2020). Algoritmos de rastreo de movimiento utilizando técnicas de inteligencia artificial y machine learning. Información tecnológica, 31(3), 23-38.
Sandoval Serrano, L. J. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. Revista Tecnológica; no. 11.
Álvarez Trejos, J. I. (2020). Segmentador de audio basado en técnicas de Machine Learning (Bachelor’s thesis).
Estévez Pereira, J. J. (2020). Detección de anomalías en la red empleando técnicas de machine learning.
Kotsiantis, S. B. (2012). Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades. Artificial Intelligence Review, 37(4), 331-344.
Kosmidis, K., & Kalloniatis, C. (2017, September). Machine learning and images for malware detection and classification. In Proceedings of the 21st Pan-Hellenic Conference on Informatics (pp. 1-6).
Wu, M., & Chen, L. (2015, November). Image recognition based on deep learning. In 2015 Chinese Automation Congress (CAC) (pp. 542-546). IEEE.
Un Análisis de Sentimiento en Twitter con Machine Learning: Identificando el sentimiento sobre las ofertas de# BlackFriday.
Arcila-Calderón, C., Ortega-Mohedano, F., Jiménez-Amores, J., & Trullenque, S. (2017). Análisis supervisado de sentimientos políticos en español: clasificación en tiempo real de tweets basada en aprendizaje automático. Profesional de la Información, 26(5), 973-982.
Valle Contreras, J. D. (2018). Herramienta de análisis y visualización de noticias basada en Machine Learning aplicado a Redes Sociales (Bachelor’s thesis).
Medel, B. L. ESTUDIO DE IDEOLOGÍA POLÍTICA EN REDES SOCIALES A TRAVÉS DE MACHINE LEARNING.
Rivero, E. (2017). Detección de contenido malicioso mediante técnicas de Machine Learning en las redes sociales (Doctoral dissertation, Universidad de Buenos Aires. Facultad de Ciencias Económicas.)
Hazelwood, K., Bird, S., Brooks, D., Chintala, S., Diril, U., Dzhulgakov, D., ... & Wang, X. (2018, February). Applied machine learning at facebook: A datacenter infrastructure perspective. In 2018 IEEE International Symposium on High Performance Computer Architecture (HPCA) (pp. 620-629). IEEE.
Leivi, A. E. (2019). Análisis de la implementación de Machine Learning en el diagnóstico por imágenes.
Méndez, P., & Ibarra, J. (2014). Implementación de una red neuronal de convolución para el reconocimiento de poses en imágenes de rostros. ACI Avances en Ciencias e Ingenierías, 6(2).
Pérez Esteve, F. (2020). Reconocimiento de imágenes de flora y fauna.
Peis, E., Morales del Castillo, J. M., & Delgado López, J. A. (2008). Sistemas de Recomendación Semánticos. Un análisis del estado de la cuestión. Hipertext. net, (6).
De la Hoz Manotas, A. K., Martínez-Palacio, U. J., & Mendoza-Palechor, F. E. (2013). Técnicas de ML en medicina cardiovascular. Memorias, 11(20), 41-46.
Ibarra-Báez, L. D., Mota-Carrera, L. C., Rojas-López, V., & Sánchez-Acevedo, M. A. Sistema de Recomendación de Libros
Campo Martinez, J. E., & Echeverry Camayo, J. C. (2021). Estudio de sistemas de recomendación para la agricultura y su aplicación en Colombia.
Pinho Lucas, J. (2010). Métodos de clasificación basados en asociación aplicados a sistemas de recomendación.
Domínguez Samamés, C. A. Machine Learning: Recomendaciones en base a los gustos y preferencias de los estudiantes de la UPC usuarios de Netflix.
Apestegui Inocente, E. L., & Basilio Ordoñez, J. O. (2020). Sistema de recomendaciones para identificar a los mejores clientes potenciales en el proceso de alquiler de locales en un centro comercial.
Siau, K., & Yang, Y. (2017, May). Impact of artificial intelligence, robotics, and machine learning on sales and marketing. In Twelve Annual Midwest Association for Information Systems Conference (MWAIS 2017) (pp. 18-19).
Ziegler, C. N., McNee, S. M., Konstan, J. A., & Lausen, G. (2005, May). Improving recommendation lists through topic diversification. In Proceedings of the 14th international conference on World Wide Web (pp. 22-32).
Pu, P., Chen, L., & Hu, R. (2011, October). A user-centric evaluation framework for recommender systems. In Proceedings of the fifth ACM conference on Recommender systems (pp. 157-164).
Buder, J., & Schwind, C. (2012). Learning with personalized recommender systems: A psychological view. Computers in Human Behavior, 28(1), 207-216.
Adomavicius, G., & Tuzhilin, A. (2005). Toward the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE transactions on knowledge and data engineering, 17(6), 734-749.
Pathak, B., Garfinkel, R., Gopal, R. D., Venkatesan, R., & Yin, F. (2010). Empirical analysis of the impact of recommender systems on sales. Journal of Management Information Systems, 27(2), 159-188.
Lü, L., Medo, M., Yeung, C. H., Zhang, Y. C., Zhang, Z. K., & Zhou, T. (2012). Recommender systems. Physics reports, 519(1), 1-49.
Jung, KY y Lee, JH (2004). Minería de preferencias del usuario a través de filtrado colaborativo híbrido y filtrado basado en contenido en el sistema de recomendación. Transacciones de IEICE sobre información y sistemas, 87 (12), 2781-2790.
Min, S. H., & Han, I. (2005). Detection of the customer time-variant pattern for improving recommender systems. Expert Systems with Applications, 28(2), 189-199.
