Trabajos Universitarios
Mis Trabajos Universitarios, incluyendo mi Trabajo de Fin de Grado (TFG), Trabajo de Fin de Máster (TFM) y TFM Colectivo, donde he aplicado metodologías avanzadas de Estadística, Machine Learning y Deep Learning a problemas reales.
OPTIMIZACIÓN DE LA PRECISIÓN Y EFICIENCIA DEL RECONOCIMIENTO DE EMOCIONES EN TIEMPO REAL MEDIANTE REDES NEURONALES CONVOLUCIONALES EN SISTEMAS DE VIDEOVIGILANCIA
La Inteligencia Artificial se ha consolidado como uno de los campos más dinámicos y en constante evolución en los últimos años, permitiendo el desarrollo de herramientas y técnicas cada vez más precisas para el análisis de datos complejos. En particular, las Redes Neuronales se han convertido en una metodología eficaz para el reconocimiento de patrones en datos complejos, incluyendo las expresiones faciales.
​
Este Trabajo Final de Máster, con una Matrícula de Honor y una calificación destacada de 9.6, ha sido minuciosamente elaborado y presentado ante un tribunal de expertos. Su objetivo principal radica en la creación de una herramienta basada en Redes Neuronales Convolucionales para la identificación de las cuatro emociones estándar que las personas pueden expresar exclusivamente a través de sus rostros: alegría, disgusto, sorpresa y neutral. Mediante este modelo, se logrará una clasificación precisa de las personas en los distintos ámbitos emocionales, permitiendo así la interpretación de sensaciones tanto positivas como negativas experimentadas por los individuos.
​
El modelo que se desarrollará en el presente proyecto será el producto mínimo viable de una Start-Up que busca implementar la Inteligencia Artificial en el mundo cotidiano. El primer proyecto de esta empresa será la implementación del modelo creado en cámaras de videovigilancia para el análisis de las emociones en los establecimientos de los clientes. Esto permitirá un análisis innovador de gran importancia para cualquier industria, ya que permitirá a los propietarios de negocios y gerentes mejorar la experiencia de los clientes y, por ende, su satisfacción.
​
En definitiva, este trabajo final de máster busca contribuir al desarrollo de tecnologías de Inteligencia Artificial aplicadas al reconocimiento de emociones y su potencial impacto en la mejora de la experiencia del usuario en diversos contextos empresariales. Además, este será un primer paso para la creación de una empresa con un enfoque innovador y disruptivo en el campo de la Inteligencia Artificial, y es por eso por lo que se sigue una metodología end-to-end, desde la obtención de imágenes hasta la puesta en producción.
DESARROLLO DE UN MODELO DE REDES NEURONALES PARA LA DETECCIÓN DE LOS NIVELES DE CONTAMINACIÓN MEDIOAMBIENTALES DE EE.UU.
El presente resumen destaca los logros obtenidos por el equipo PFG 7 de la Universidad de Navarra en su trabajo final de máster colectivo, el cual ha sido calificado con una nota de 8.5. Este proyecto se ha centrado en el campo de la ciencia de los datos y ha tenido como objetivo la predicción de los estados de Estados Unidos que incumplirán los estándares de calidad del aire establecidos por la Agencia de Protección Ambiental.
​
El equipo ha tenido acceso a una amplia base de datos con 2 millones de registros y 55 variables, recopilando información relevante para evaluar la calidad del aire. Mediante un minucioso estudio del problema, se ha llevado a cabo el tratamiento y procesamiento de los datos, identificando las variables más significativas y estableciendo una variable objetivo que represente la calidad del aire a predecir en categorías.
​
Se han explorado diversos modelos, incluyendo Random Forest, y finalmente se ha aplicado un modelo de Redes Neuronales que ha demostrado ser eficaz en la resolución del problema de clasificación. Los resultados obtenidos son muy prometedores, ya que no solo se logra predecir la categoría más predominante, sino que el equipo ha logrado abordar el sesgo presente en los datos, permitiendo predecir todas las categorías con buenos resultados.
​
El trabajo final de máster colectivo del equipo PFG 7 ha sido un éxito, destacando por su rigurosidad en el análisis de los datos, la selección de modelos y el enfoque innovador en la resolución del problema de predicción de calidad del aire. Estos resultados prometen tener un impacto significativo en el ámbito de la protección ambiental y la toma de decisiones para la mejora de la calidad del aire en los Estados Unidos.
SISTEMAS DE APOYO A LA DECISIÓN PARA EL DISEÑO DE UN SERVICIO DE URGENCIAS HOSPITALARIAS
A continuación, les presento el resumen del proyecto de investigación que llevé a cabo como parte de mi trabajo final de grado, el cual fue calificado con un 10 por un jurado. Además, dicho proyecto fue presentado en el VI Congreso Científico de Jóvenes en Diseño de Experimentos y Ciencia de Datos, en Pamplona los días 5, 6 y 7 de junio del 2023.​
La crisis de la COVID-19 tuvo un impacto negativo directo en el ámbito de gestión sanitaria, aumentando significativamente los tiempos de espera y la saturación en los servicios de urgencias hospitalarias tanto públicas como privadas.​
Fundamentando en este problema, se ha procedido a realizar un algoritmo matemático en Rsoftware capaz de analizar por simulación un servicio de urgencias en un hospital. Para ello se desarrolla una herramienta para la toma de decisiones que permite analizar los tiempos de servicio de los pacientes que acuden a urgencias dependiendo de los parámetros que definan dicho servicio. Con esta herramienta se puede optimizar el diseño y dimensionamiento de las unidades que componen el servicio de urgencias en un hospital.
La interpretación de los resultados obtenidos del simulador se basa en los modelos de colas, concretamente, en la teoría de colas, es por eso, que es de vital importancia tener claros los conceptos que se desarrollan en el presente proyecto. Tanto las medidas de eficacia de la teoría de colas como las trazabilidades de los distintos pacientes del sistema se observan en una interfaz básica que ofrece la posibilidad de realizar consultas y sus respectivas conclusiones.