Clasificación De Especies: Un Enfoque Para Mejorar La Precisión En La Identificación De Serpientes

dc.contributor.advisorBru Cordero, Osnamir
dc.contributor.authorRuiz Sandoval, Diego Ferney
dc.contributor.corporatenameUniversidad Santo Tomásspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001425196spa
dc.contributor.googlescholarhttps://scholar.google.com/citations?user=jtoOoEIAAAAJ&hl=es&oi=aospa
dc.contributor.orcidhttps://orcid.org/0000-0001-9425-9475spa
dc.coverage.campusCRAI-USTA Bogotáspa
dc.date.accessioned2025-01-27T15:11:41Z
dc.date.available2025-01-27T15:11:41Z
dc.date.issued2024
dc.descriptionEste trabajo tiene como objetivo aplicar técnicas modernas de análisis de datos, en particular redes neuronales, para mejorar la clasificación de especies de serpientes en Colombia, utilizando información obtenida de registros y observaciones compartidas en plataformas sociales como Facebook, donde los usuarios documentan avistamientos y características de las serpientes. Además de la clasificación precisa de las especies, se espera identificar patrones en la distribución geográfica y comportamientos de estas. Aunque las redes neuronales ofrecen una ventaja significativa en términos de precisión, presentan la desventaja de ser modelos de "caja negra", lo que dificulta su interpretación. A pesar de esta limitación, el estudio se basa en evidencia de investigaciones previas y en datos de la comunidad en línea, con la expectativa de mejorar tanto la identificación de especies como la comprensión de sus patrones de distribución, contribuyendo al desarrollo de estrategias de conservación más efectivas y a la protección de la biodiversidad en Colombia.spa
dc.description.abstractThis work aims to apply modern data analysis techniques, particularly neural networks, to improve the classification of snake species in Colombia, using information obtained from records and observations shared on social platforms like Facebook, where users document sightings and characteristics of snakes. In addition to the accurate classification of species, the study is expected to identify patterns in the geographical distribution and behaviors of these species. While neural networks offer a significant advantage in terms of accuracy, they have the disadvantage of being ”black box”models, making them difficult to interpret. Despite this limitation, the study builds on evidence from previous research and data from the online community, with the expectation of improving both species identification and understanding of distribution patterns, contributing to the development of more effective conservation strategies and the protection of biodiversity in Colombia.spa
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagister en Estadística Aplicadaspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.citationRuiz Sandoval, D. F. (2024). Clasificación de especies: Un enfoque para mejorar la precisión en la identificación de serpientes. [Trabajo de Maestría, Universidad Santo Tomás].Repositorio institucional.spa
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/59505
dc.language.isospaspa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.facultyFacultad de Estadísticaspa
dc.publisher.programMaestría Estadística Aplicadaspa
dc.relation.referencesT. Angarita-Sierra, L. F. Monta˜no-Londo˜no, and C. A. Bravo-Vega. Id please: Evaluating the utility of facebook as a source of data for snake research and conservation. Anais da Academia Brasileira de Ciˆencias, 94(suppl 3):e20211043, 2022.spa
dc.relation.referencesC. M. Bishop. Pattern Recognition and Machine Learning (Information Science and Statistics). Springer-Verlag, Berlin, Heidelberg, 2006. ISBN 0387310738. doi: 10.1117/1.2819119.spa
dc.relation.referencesC. M. Bishop and H. Bishop. Deep Learning: Foundations and Concepts. Springer, 2024. doi: 10.1007/978-3-031-45468-4.spa
dc.relation.referencesM. Chandler, L. See, K. Copas, A. M. Bonde, B. C. Lopez, F. Danielsen, ..., and E. D. Fraser. Contribution of citizen science towards international biodiversity monitoring. Biological Conservation, 213:280–294, 2017. doi: 10.1016/j.biocon. 2016.09.004.spa
dc.relation.referencesI. Goodfellow, Y. Bengio, and A. Courville. Deep Learning. MIT Press, 2016. http://www.deeplearningbook.org.spa
dc.relation.referencesM. J. Hurtado Morales. Vulnerabilidad e importancia de las serpientes en colombia: Escenarios de cambio clim´atico, impactos antr´opicos y servicios ecosist´emicos. Master’s thesis, Fundaci´on Universitaria de Ciencias de la Salud, 2021. URL http://hdl.handle.net/1992/55007.spa
dc.relation.referencesG. James, D. Witten, T. Hastie, and R. Tibshirani. An Introduction to Statistical Learning: with Applications in R. Springer, 2013. doi: 10.1007/978-1-0716-1418-1. URL https://faculty.marshall.usc.edu/ gareth-james/ISL/spa
dc.relation.referencesL. Kalinathan, P. Balasundaram, P. Ganesh, S. S. Bathala, and R. K. Mukesh. Automatic snake classification using deep learning algorithm. In CLEF (Working Notes), pages 1587–1596, 2021.spa
dc.relation.referencesI. M. Nasser and S. S. Abu-Naser. Artificial neural network for predicting animals category. 2019.spa
dc.relation.referencesH. Naz, R. Chamola, J. Sarafraz, M. Razabizadeh, and S. Jain. An efficient densenet-based deep learning model for big-4 snake species classification. Toxicon, 243:107744, 2024. doi: 10.1016/j.toxicon.2024.107744spa
dc.relation.referencesN. I. Progga, N. Rezoana, M. S. Hossain, R. U. Islam, and K. Andersson. A cnn based model for venomous and non-venomous snake classification. In Applied Intelligence and Informatics: First International Conference, AII 2021, Nottingham, UK, July 30–31, 2021, Proceedings 1, pages 216–231. Springer, 2021. doi: 10.1007/978-3-030-82269-9 17.spa
dc.relation.referencesF. Rosenblatt. The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6):386, 1958. doi: 10.1037/ h0042519.spa
dc.relation.referencesJ. Silvertown. A new dawn for citizen science. Trends in Ecology Evolution, 24 (9):467–471, 2009. doi: 10.1016/j.tree.2009.03.008.spa
dc.relation.referencesA. L. Tarca, V. J. Carey, X.-w. Chen, R. Romero, and S. Dr˘aghici. Machine learning and its applications to biology. PLoS Computational Biology, 3(6): e116, 2007. doi: 10.1371/journal.pcbi.0030116.spa
dc.relation.referencesE. Troullinou, G. Tsagkatakis, S. Chavlis, G. F. Turi, W. Li, A. Losonczy, P. Tsakalides, and P. Poirazi. Artificial neural networks in action for an automated cell-type classification of biological neural networks. IEEE Transactions on Emerging Topics in Computational Intelligence, 5(5):755–767, 2020.spa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordLayersspa
dc.subject.keywordMachine Learningspa
dc.subject.keywordNeural Networksspa
dc.subject.keywordDeep Learningspa
dc.subject.keywordProbabilityspa
dc.subject.keywordClassificationspa
dc.subject.keywordPerceptronspa
dc.subject.lembEstadísticaspa
dc.subject.lembEstadística Aplicadaspa
dc.subject.lembEspeciespa
dc.subject.proposalCapasspa
dc.subject.proposalMachine learningspa
dc.subject.proposalRedes Neuronalesspa
dc.subject.proposalDeep Learningspa
dc.subject.proposalProbabilidadspa
dc.subject.proposalClasificaciónspa
dc.subject.proposalPerceptronspa
dc.titleClasificación De Especies: Un Enfoque Para Mejorar La Precisión En La Identificación De Serpientesspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/masterThesis
dc.type.localTesis de maestríaspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Files

Original bundle

Now showing 1 - 3 of 3
Loading...
Thumbnail Image
Name:
2024DiegoRuiz.pdf
Size:
2.34 MB
Format:
Adobe Portable Document Format
Description:
Thumbnail USTA
Name:
2025cartaderechosdeautor.pdf
Size:
233.96 KB
Format:
Adobe Portable Document Format
Description:
Thumbnail USTA
Name:
2025cartaaprobacionfacultad.pdf
Size:
27.87 KB
Format:
Adobe Portable Document Format
Description:

License bundle

Now showing 1 - 1 of 1
Thumbnail USTA
Name:
license.txt
Size:
807 B
Format:
Item-specific license agreed upon to submission
Description: