Universidad Distrital Francisco José De Caldas.

Profesora: Danilo Alfonso López Sarmiento

Deep Learning y su Relación con la Ingeniería

Eléctrica
Molina C., Gómez J.

Resumen — En este trabajo se analizara que es el Deep Learning
y qué relación existe con la ingeniería eléctrica. Se encontraron
diferentes referencias en donde se explicó a partir de ellas diferentes
conceptos para entender el Deep Learning, a ligero modo. Se
encontraron diferentes clases de Deep Learning y algunas
aplicaciones dentro de la ingeniería eléctrica.
Palabras Clave — Deep Learning, Inteligencia Artificial,
Machine Learning, Ingeniería Eléctrica
Abstract — In this work we will analyze what deep learning is
and what relationship exists with electrical engineering. Different
references were found where different concepts were explained from
them to understand the Deep Learning, in a light way. Different
kinds of deep learning and some applications within electrical
engineering were found.
Key Words — Deep Learning, Artificial Intelligence, Machine
Learning, Electrical Engineering
II. MARCO REFERENCIAL
Es necesario definir algunos conceptos para poder entender
bien que es el Deep Learning debido a que depende de los
mismos.
A. Que es el Machine Learning?
Es una técnica que determina un “modelo” a partir de “datos”.
Estos datos son documentos, audio, imágenes, etc. El “modelo”
es el producto final de los datos.
El nombre en sí mismo refleja que la técnica analiza los datos
y encuentra el modelo por sí mismo en lugar de que un humano
lo haga. Lo llamamos "aprendizaje" porque el proceso se
asemeja a recibir capacitación con los datos para resolver el
problema de encontrar un modelo. Por lo tanto, los datos que
utiliza ML en el proceso de modelado se denominan datos de
"capacitación" [7]. La siguiente Figura muestra el proceso del
ML:

I. INTRODUCCIÓN
Hoy en día se han implementado diferentes tecnologías que
antiguamente nunca se hubieran podido imaginar, una de ellas
es la muy comúnmente conocida como la inteligencia artificial
(AI) [1]. La AI se extiende en diferentes subramas tales como:
Artificial General Intelligence, que consiste en una
computadora razona acerca del mundo de manera similar a una
persona [1]; Natural Lenguage Processing, que se enfoca en
permitir a las computadoras entender y procesar el lenguaje de
las personas [2]; Machine Learning (ML), es hacer conseguir
que una computadora aprenda y actué como una persona lo
hace, y hacer que improvise su aprendizaje a través del tiempo
de manera autónoma [3]; Superintelligence, es un sistema
inteligente que crece su inteligencia rápidamente en un corto
tiempo, específicamente, sobrepasar la capacidad cognitiva de
una persona promedio [4]; Decisional Algorithms (“Hard-
Coded”), es la implementación de un programa o un proyecto
en el cual no se puede modificar el código fuente; Video Game
AI, es usado para comportamientos de generar respuestas,
adaptación e inteligencia principalmente en personajes que no
son principales [5]. Fig. 1. Proceso durante el ML
Si nos centramos en el ML, y específicamente en una subrama Tomada de [7]
llamada Deep Learning (DL), encontraremos que está tiene
infinidad de aplicaciones utilizadas por compañías como B. Tipos de ML
Google para por ejemplo traducir textos y entre otras Se han desarrollado muchos tipos diferentes de técnicas de
aplicaciones para la medicina [6]. aprendizaje automático para resolver problemas en diversos
Este documento tiene como objetivo mostrar que es el Deep campos. Estas técnicas de aprendizaje automático pueden
Learning (DL). Además se describirán las diferentes técnicas y clasificarse en tres tipos según el método de capacitación. La
como se puede aplicar a la ingeniería eléctrica. Figura 2 muestra los tipos de ML existentes [7].

Proyecto Final Redes de Comunicación 27 de febrero de 2019. Sebastián, Autor, Estudiante, Universidad Distrital Francisco José de Caldas,
Molina Celis, Crithian Eduardo, Autor, Estudiante, Universidad Distrital Ingeniería eléctrica (juasgomezc@correo.udistrital.edu.co ) 20142007128.
Francisco José de Caldas, Ingeniería eléctrica
(cmolinac@correo.udistrital.edu.co) 20141007109. Gómez Chitiva, Juan
Universidad Distrital Francisco José De Caldas. Profesora: Danilo Alfonso López Sarmiento
Fig. 2. Tres tipos de ML
Tomado de [7]
a. Supervised Learning: Es muy similar al proceso en el
que un humano aprende cosas. Considera que los
humanos obtenemos nuevos conocimientos al
resolver problemas de ejercicio [7].
b. Unsupervised Learning: encuentra patrones en los
datos. Los datos proporcionados al algoritmo no
supervisado no están etiquetados, lo que significa que
solo las variables de entrada (X) se dan sin las
variables de salida correspondientes. En el aprendizaje
no supervisado, los algoritmos se dejan a sí mismos
para descubrir estructuras interesantes en los datos [8].
c. Reinforcement Learning (RL): un agente aprende a
comportarse en el entorno realizando acciones y, por
lo tanto, dibujando intuiciones y viendo los resultados.
El RL es compatible con la automatización al aprender
del entorno en el que está presente [9].
C. Neural Networks (Redes Neuronales)
Las redes neuronales imitan el mecanismo del cerebro. Como
el cerebro está compuesto de conexiones de numerosas
neuronas, la red neuronal se construye con conexiones de
nodos, que son elementos que corresponden a las neuronas del
cerebro. La red neuronal imita la asociación de las neuronas,
que es el mecanismo más importante del cerebro, utilizando el
valor del peso. La siguiente tabla resume la analogía entre el
cerebro y la red neuronal [7].
Cerebro Redes Neuronales
Neurona Nodo
Conexión de neuronas Conexión de peso
Tabla 1. Analogía entre El cerebro de una persona y una red
neuronal
Tomado de [7]
Un ejemplo simple para una mejor comprensión del
mecanismo de una red neuronal se puede apreciar en la Figura
2, un nodo que recibe tres entradas [7].
Fig. 3. Un nodo que recibe 3 entradas
Tomado de [7]
D. Capas de las Redes Neuronales
Como el cerebro es una red gigantesca de neuronas, la red
neuronal es una red de nodos. Se puede crear una variedad de
redes neuronales dependiendo de cómo se conectan los nodos.
Uno de los tipos de redes neuronales más utilizadas emplea una
estructura en capas de nodos, mostrado en la Figura 4 [7].
Fig. 4. Estructura en capas de nodos.
Tomados de [7]
El grupo de nodos cuadrados en la Figura 4 se llama capa de
entrada. Los nodos de la capa de entrada simplemente actúan
como el pasaje que transmite las señales de entrada a los nodos
siguientes. Por lo tanto, no calculan la suma ponderada y la
función de activación. Esta es la razón por la que se indican
mediante cuadrados y se distinguen de los otros nodos
circulares. En contraste, el grupo de los nodos de la derecha se
llama la capa de salida. La salida de estos nodos se convierte en
el resultado final de la red neuronal. Las capas entre las capas
de entrada y salida se denominan capas ocultas. Se les da este
nombre porque no son accesibles desde el exterior de la red
neuronal [7].
La red neuronal se ha desarrollado desde una arquitectura
simple a una estructura cada vez más compleja. Inicialmente,
los pioneros de redes neuronales tenían una arquitectura muy
simple con solo capas de entrada y salida, que se denominan
redes neuronales de una sola capa. Cuando se agregan capas
ocultas a una red neuronal de una sola capa, esto produce una
red neuronal multicapa. Por lo tanto, la red neuronal multicapa
consta de una capa de entrada, una capa o capas ocultas y una
capa de salida. La red neuronal que tiene una sola capa oculta
se denomina red neuronal superficial o red neuronal de vainilla.
Una red neuronal multicapa que contiene dos o más capas
ocultas se denomina red neuronal profunda. La mayoría de las
redes neuronales contemporáneas utilizada [7].
Universidad Distrital Francisco José De Caldas. Profesora: Danilo Alfonso López Sarmiento
b. Categorización: Como se describió anteriormente, el
(a) (b)
(c)
Fig. 5. Las ramas de la red neuronal dependen de la arquitectura de
capa: (a) Redes Neuronales de capa única, (b) Redes Neuronales
Multicapa, (c) Redes Neuronales Profundas.
Tomado de [7]
E. Clasificación de las redes neuronales
a. Clasificación binaria: clasifica los datos de entrada en uno
de los dos grupos. Algunas aplicaciones típicas incluyen
filtrado de correo no deseado (correo no deseado o correo
normal) y aprobaciones de préstamos (aprobar o rechazar).
Un solo nodo de salida es suficiente para la red neuronal.
Esto se debe a que los datos de entrada se pueden clasificar
por el valor de salida, que es mayor o menor que el umbral
[7].
b. Clasificación multi-clase: es una tarea de clasificación con
más de dos clases. La clasificación de múltiples clases
supone que cada muestra se asigna a una y solo una etiqueta
[10].
III. DEEP LEARNING (APRENDIZAJE PROFUNDO) (DL)
El Deep Learning es una técnica del Machine Learning que
emplea la red neuronal profunda. Como anteriormente se
mencionó, la red neuronal profunda es la red neuronal
multicapa que contiene dos o más capas ocultas. Esta es la
verdadera esencia del Aprendizaje Profundo [7].
También se puede definir como un conjunto de algoritmos en
aprendizaje automático que intentan aprender en múltiples
niveles, correspondientes a diferentes niveles de abstracción
[11].
El DL tiene sus raíces en las matemáticas, la informática y la
neurociencia. Las redes profundas aprenden de los datos de la
forma en que los bebés aprenden del mundo que los rodea,
comenzando con nuevos ojos y adquiriendo gradualmente las
habilidades necesarias para navegar en entornos nuevos [6].
a. Contexto histórico: El origen del aprendizaje profundo se
remonta al nacimiento de la inteligencia artificial en la
década de 1950, cuando hubo dos visiones en competencia
sobre cómo crear una AI: una visión se basaba en la lógica
y los programas de computadora, que dominaron la AI
durante décadas; el otro se basó en aprender directamente
de los datos, que tardaron mucho más en madurar [6].
aprendizaje profundo se refiere a una clase bastante amplia
de técnicas y arquitecturas de aprendizaje automático, con
el sello distintivo de usar muchas capas de procesamiento
de información no lineal que son de naturaleza jerárquica
[11]. En términos generales, se puede clasificar la mayor
parte del DL en tres clases principales, que son
esencialmente los tipos de ML que se mencionaron en el
literal II-B. Se profundizaran a continuación [11]:
i. Redes profundas para aprendizaje no supervisado o
generativo: su objetivo es capturar la correlación de alto
orden de los datos observados o visibles para fines de
análisis de patrones o síntesis cuando no hay
información disponible sobre las etiquetas de la clase
objetivo. El aprendizaje de representaciones o
características no supervisadas en la literatura se refiere
a esta categoría de las redes profundas. Cuando se usa
en el modo generativo, también se puede intentar
caracterizar las distribuciones estadísticas conjuntas de
los datos visibles y sus clases asociadas cuando estén
disponibles y se traten como parte de los datos visibles.
Se refiere a la tarea del no uso de información de
supervisión específica en el proceso de aprendizaje.
Muchas redes profundas en esta categoría se pueden usar
para generar muestras de manera significativa mediante
el muestreo de las redes, aunque muchas de estas redes
no se pueden muestrear tan fácilmente.
 Ejemplo: Un ejemplo de esta case son los Deep
Encoders (Decodificadores Profundos), son un tipo
especial de DNN (sin etiquetas de clase), cuyos
vectores de salida tienen la misma dimensionalidad
que los vectores de entrada. A menudo se utiliza
para aprender una representación o codificación
efectiva de los datos originales, en forma de
vectores de entrada, en capas ocultas. De debe tener
en cuenta que el autocodificador es un método de
extracción de características no lineales sin utilizar
etiquetas de clase. Como tales, las características
extraídas apuntan a conservar y representar mejor la
información en lugar de realizar tareas de
clasificación, aunque a veces estos dos objetivos
están correlacionados. Un autocodificador
normalmente tiene una capa de entrada que
representa los datos originales o los vectores de
entidades de entrada, una o más capas ocultas que
representan la entidad transformada, y una capa de
salida que coincide con la capa de entrada para la
reconstrucción. Cuando el número de capas ocultas
es mayor que uno, el autocodificador se considera
profundo. La dimensión de las capas ocultas puede
ser más pequeña (cuando el objetivo es la
compresión de entidades) o más grande (cuando el
objetivo es asignar la entidad a un espacio de
dimensión superior) que la dimensión de entrada.
Universidad Distrital Francisco José De Caldas. Profesora: Danilo Alfonso López Sarmiento
Fig. 6. Red Neuronal tipo Auto decodificador
Tomado de [12]
ii. Redes profundas para el aprendizaje supervisado:
pretenden proporcionar directamente poder
discriminativo para propósitos de clasificación de
patrones, a menudo caracterizando las distribuciones
posteriores de clases condicionadas a los datos visibles.
Los datos de la etiqueta de destino siempre están
disponibles en forma directa o indirecta para dicho
aprendizaje supervisado. También se les llama redes
profundas discriminativas.
 Ejemplo: la red neuronal profunda pre-entrenada
(DNN) es, un ejemplo de esta clase. El concepto de
aprendizaje por transferencia / pre-entrenamiento
surgió cuando algunos investigadores encontraron
que una red neuronal profunda, después de la
capacitación en una tarea de reconocimiento
particular (por ejemplo, Reconocimiento de
objetos), se puede aplicar en otro dominio (por
ejemplo, Subcategorización de aves) que da el
estado de arte. Esta idea tiene implicaciones
poderosas, ya que un modelo puede entrenarse
previamente y luego aplicarse al problema
requerido [13].
Se puedes usar un modelo pre-entrenado de dos
maneras [13]:
- Como un extractor de características; se
modela el modelo en un dato más grande
(posiblemente en un dominio similar), se usa en
el problema requerido como en el modelo
"disponible".
- Como una red afinada; se modela el modelo
con datos más grandes, luego se congelan las
capas superiores (se establece la velocidad de
aprendizaje de las capas anteriores al mínimo)
y se vuelve a entrenar sobre el problema
requerido.
iii. Redes profundas híbridas: el objetivo es la
discriminación que es asistida, a menudo de manera
significativa, con los resultados de redes profundas
generativas o no supervisadas. Esto se puede lograr
mediante una mejor optimización y/o regularización de
las redes profundas para el aprendizaje supervisado. El
objetivo también se puede lograr cuando se utilizan
criterios discriminativos para el aprendizaje supervisado
para estimar los parámetros en cualquiera de las redes
profundas generativas o no supervisadas profundas.
El término "híbrido" para esta clase se refiere a la
arquitectura profunda que comprende o hace uso de
componentes de modelos generativos y discriminativos.
En las arquitecturas híbridas existentes publicadas en la
literatura, el componente generativo se explota
principalmente para ayudar con la discriminación, que
es el objetivo final de la arquitectura híbrida. Cómo y
por qué la modelización generativa puede ayudar con la
discriminación puede examinarse desde dos puntos de
vista:
- El punto de vista de la optimización donde los
modelos generativos entrenados de una manera no
supervisada puede proporcionar excelentes puntos
de inicialización en problemas de estimación de
parámetros altamente no lineales (por este motivo,
se ha introducido el término comúnmente usado de
"pre-entrenamiento" en el aprendizaje profundo);
- La perspectiva de regularización en la que los
modelos de aprendizaje no supervisado pueden
proporcionar de manera efectiva una prioridad
sobre el conjunto de funciones que puede
representar el modelo.
 Ejemplo: para este ejemplo se tienen las redes y
variantes de apilamiento profundo, es una
arquitectura profunda y escalable que es apta para
el aprendizaje de peso paralelo. Se entrena de forma
supervisada, en forma de bloques, sin la necesidad
de propagación hacia atrás en todos los bloques,
como es común en otras arquitecturas profundas
populares. Los bloques DSN, cada uno de los cuales
consta de un módulo simple y fácil de aprender, son
apilados para formar la red profunda global [14].
IV. APLICACIONES
A. Self-Driving [6]
Sebastian Thrun creo Google X, que se dedica al
funcionamiento de proyectos de alta tecnología, donde se
desarrolló la tecnología para autos de auto conducción, creada
por Thrun.
Hoy en día otras empresas además de Google están
invirtiendo en este tipo de tecnología, por ejemplo Uber ha
desplegado una flota de autos automáticos en Pittsburgh.
También, Apple se está moviendo hacia los autos de auto
conducción para ampliar la gama de productos que controlan
sus sistemas operativos, con la esperanza de repetir su exitosa
incursión en el mercado de los teléfonos celulares. En 2017,
Intel compró Mobileye, una compañía que se especializa en
sensores y visión computacional para autos que manejan autos.
Los autos que conducen solos pronto interrumpirán los
medios de vida de millones de conductores de camiones y taxis.
La diferencia con los autos autónomos es que cuando un
automóvil experimenta un evento raro, la experiencia de
aprendizaje se propagará a todos los demás automóviles
autónomos, una forma de inteligencia colectiva.
B. Translate [6]
El DL se usa hoy en Google en más de 100 servicios, desde
Street View hasta Inbox Smart Reply y búsqueda por voz.
Un ejemplo de la rapidez con que el DL puede cambiar el
panorama es el impacto que ha tenido en la traducción de
Universidad Distrital Francisco José De Caldas. Profesora: Danilo Alfonso López Sarmiento
idiomas. Este depende de la capacidad de entender una
oración. El DL busca dependencias en oraciones completas.
El siguiente paso será entrenar redes de DL más grandes en
párrafos para mejorar la continuidad entre oraciones.
C. Listen [6]
Este tiene el objetivo del reconocimiento de voz. Cuando el
reconocimiento de voz se combina con la traducción de
idiomas, será posible comunicarse a través de las culturas en
tiempo real.
D. Medicina (Diagnose) [6]
a. Deep Skin: El diagnóstico médico basado en los
registros de millones de pacientes será más preciso. Un
estudio reciente aplicó el aprendizaje profundo a
130,000 imágenes dermatológicas para más de 2,000
enfermedades diferentes, una base de datos médica
diez veces más grande que la utilizada anteriormente.
La red del estudio fue entrenada para diagnosticar cada
enfermedad a partir de un "conjunto de pruebas" de
nuevas imágenes que no había visto antes. Su
desempeño diagnóstico en las nuevas imágenes fue
comparable y, en algunos casos, mejor que el de 21
dermatólogos expertos. Pronto será posible que
cualquier persona con un teléfono inteligente tome una
foto de una lesión cutánea sospechosa y se la
diagnostique instantáneamente, un proceso que ahora
requiere una visita al consultorio de un médico. Todos
los médicos serán mejores en el diagnóstico de
enfermedades de la piel raras con la ayuda del DL.
b. Deep Cancer: La detección del cáncer de mama
metastásico en imágenes de biopsias de ganglios
linfáticos en diapositivas es realizada por expertos que
cometen errores, errores que tienen consecuencias
mortales. El Deep Learning, entrenada en un gran
conjunto de datos de diapositivas para las cuales se
conoció la verdad, alcanzó una precisión de 0.925,
buena pero no tan buena como los expertos que
lograron 0.966 en el mismo conjunto de pruebas.
Las redes de Deep Learning y las personas tienen
diferentes maneras de ver los mismos datos.
c. Deep Sleep: tiene que ver con la clínica de sueño que
consiste en observar durante la noche a una persona
grabando un electroencefalograma (EEG) de la
misma. Esta es en efecto costosa, llegando a costar
unos US 2000.
Con DL, los expertos en sueño serán entrenados para
buscar características reveladoras que caracterizan las
diferentes etapas del sueño.
Neurovigil, una empresa estadounidense, ya tiene un
dispositivo compacto, el iBrain, que puede grabar el
EEG en casa, transmitir los datos a Internet y analizar
los datos en forma longitudinal para detectar
tendencias y anomalías. Esto permitirá a los médicos
detectar problemas de salud en forma temprana
cuando es más fácil tratarlos y detener el desarrollo de
enfermedades crónicas. El continuo monitoreo puede
llegar a encontrar otras enfermedades como diabetes
tipo 1, el cual puede monitorear el nivel de azúcar en
la sangre que podría controlarse y regularse mediante
la administración de insulina.
E. Make Money (Hacer Dinero) [6]
El 75 por ciento de las operaciones en la Bolsa de Nueva
York está automatizado. El DL está mejorando cada vez más
al ganar más dinero y mayores ganancias.
F. Law (Leyes)
El DL apenas comienza a afectar a la profesión jurídica. Gran
parte del trabajo rutinario de los asociados en bufetes de
abogados que cobran cientos de dólares por hora será
automatizado, especialmente en oficinas comerciales grandes y
de alto valor.
G. Alpha-Go
En marzo de 2016, Lee Sedol, el campeón mundial de Go 18
veces en Corea, jugó y perdió un partido de cinco partidos
contra el AlphaGo de DeepMind, un programa de Go-playing
que utilizó redes de DL para evaluar las posiciones de la mesa
y los posibles movimientos.
Fig. 7. Tablero de Go durante el juego en el partido de cinco partidos
que enfrentó al campeón de Korean Go Lee Sedol contra AlphaGo,
una red neuronal de aprendizaje profundo que había aprendido a
jugar Go jugando solo.
Tomado de [6]
V. DEEP LEARNING Y LA INGENIERÍA ELÉCTRICA
Se dice que antes de que existiera el concepto de DL o ML, la
IE ya aplicaba dichos conceptos, este es más comúnmente
conocido como Adaptive Control Systems (sistemas de control
adaptables). Muchos sistemas de control se basan en un enfoque
de modelo de estado, y hay coeficientes asociados con cada
parte del modelo de estado. Existen muchas reglas para
determinar cuáles deberían ser los coeficientes, pero... si el
estado cambia, como el aislamiento de un motor o la pérdida de
lubricación de los cojinetes, o el factor de potencia en el cambio
de alimentación, esos coeficientes cambian. ¿Pero a qué se
cambian?
El control adaptativo fue una extensión del concepto de
retroalimentación muy prevaleciente en los sistemas de control.
Se "devolvieron" los nuevos parámetros del sistema a una
parte del sistema que "controló el modelo" cambiando los
coeficientes de control. Era una especie de sistema de control
“meta”.
El análisis es algo sencillo, se aplican algunas reglas y
descubres cómo funciona algo. El diseño o síntesis es otro
animal. Por lo general, existen muchas maneras de hacer que
algo funcione, pero muchas de ellas son mejores que otras de
Universidad Distrital Francisco José De Caldas. Profesora: Danilo Alfonso López Sarmiento
una manera objetiva (cuesta menos, consume menos energía,
menos materias primas, etc.) ¿Cuál es la MEJOR? Ese es un
problema de optimización, y el aprendizaje automático es una
excelente manera de abordar eso [15].
Muchas áreas de aplicaciones en sistemas de potencia
coinciden con las capacidades del DL, como la toma de
decisiones, el archivado de conocimientos y la resolución de
problemas mediante el razonamiento, la heurística y el juicio.
El DL es especialmente útil para estos problemas cuando se
debe procesar una gran cantidad de datos e información en un
corto período de tiempo.
En sistemas de potencia el uso de DL puede ser muy útil
debido a diferentes parámetros utilizados en generación,
transmisión y distribución. Todo tipo de cálculo, incluso
después del diseño puede ser hallado mucho más rápido debido
a la eficiencia del DL [16].
Aplicaciones prácticas difieren, un ejemplo podría ser la
detección de fallas en líneas de trasmisión, con el objetivo de
aprender de qué manera pueden ocurrir las fallas, en donde es
más frecuente que ocurra o como puede ser la manera más
sencilla de solucionarla.
En sistema de automatización de distribución de energía
eléctrica se define como un sistema que permite a una compañía
eléctrica controlar, coordinar y operar los componentes de la
distribución de forma remota en tiempo real desde ubicaciones
remotas. Las tres capacidades básicas son: monitoreo, control y
protección. Estas funciones pueden beneficiarse de la
aplicación del conocimiento del experto [17].
VI. CONCLUSIONES
Es importante tener en cuenta que las bases de datos, debido
a que son tan grandes y consumen mucha energía eléctrica, es
necesario que se encuentren cerca de centrales eléctricas para
suplir la demanda de estos centros de datos, y esto se debe a que
siempre deben estar funcionando.
Actualmente no se encuentran muchas aplicaciones de Deep
Learning relacionadas con la ingeniería eléctrica, aunque existe
documentación de aplicaciones, aún falta una gran exploración
dentro de le ingeniería eléctrica para aplicar la Deep Learning.
VII. BIBLIOGRAFÍA
[1] F. White, «What are the subfields of AI?,» Quora, 08 06
2015. [En línea]. Available: https://emerj.com/ai-
glossary-terms/what-is-machine-learning/ . [Último
acceso: 22 Febrero 2018].
[2] G. Seif, «An easy introduction to Natural Language
Processing,» Towards Data Science, 01 10 2018. [En
línea]. Available: https://towardsdatascience.com/an-
easy-introduction-to-natural-language-processing-
b1e2801291c1. [Último acceso: 22 02 2019].
[3] D. Faggela, «What is Machine Learning?,» Emerj, 19 02
2019. [En línea]. Available: https://emerj.com/ai-
glossary-terms/what-is-machine-learning/. [Último
acceso: 22 02 2019].
[4] Techopedia - The IT Education Site,
«Superintelligence,» Technopedia, [En línea]. Available:
https://www.techopedia.com/definition/32855/superintell
igence. [Último acceso: 22 02 2019].
[5] WIKIPEDIA The Free Encyclopedia, «Artificial
intelligence in video games,» WIKIPEDIA, 29 11 2018.
[En línea]. Available:
https://en.wikipedia.org/wiki/Artificial_intelligence_in_v
ideo_games. [Último acceso: 22 02 2019].
[6] T. J. Sejnowski, The Deep Learning Revolution, London:
The MIT Press, 2018.
[7] P. Kim, MATLAB Deep Lerning with Machine
Learning, Neural Networks and Artificial Intelligence,
Seoul: Apress, 2017.
[8] V. Kurama, «Unsupervised Learning with Python,»
towards data science, 11 05 2018. [En línea]. Available:
https://towardsdatascience.com/unsupervised-learning-
with-python-173c51dc7f03. [Último acceso: 23 02
2019].
[9] V. Kurama, «Reinforcement Learning with Python,»
Towards Data Science, 25 11 2018. [En línea].
Available:
https://towardsdatascience.com/reinforcement-learning-
with-python-8ef0242a2fa2. [Último acceso: 23 02 2019].
[10 J. Navi, «Machine Learning — Multiclass Classification
] with Imbalanced Dataset,» Towards Data Science, 22 12
2018. [En línea]. Available:
https://towardsdatascience.com/machine-learning-
multiclass-classification-with-imbalanced-data-set-
29f6a177c1a. [Último acceso: 23 02 2019].
[11 L. Deng y D. Yu, Deep Learning: Methods and
] Applications, Redmond, WA: now, The Essence of
Knowledge, 2013.
[12 A. Tch, «The mostly complete chart of Neural Networks,
] explained,» Towards Data Science, 04 08 2017. [En
línea]. Available: https://towardsdatascience.com/the-
mostly-complete-chart-of-neural-networks-explained-
3fb6f2367464. [Último acceso: 23 02 2019].
[13 S. Faizan, «What is pretraining in deep learning & how
] does it work?,» Quora, 04 09 2016. [En línea]. Available:
https://www.quora.com/What-is-pretraining-in-deep-
learning-how-does-it-work. [Último acceso: 23 02 2019].
[14 B. Hutchinson, L. Deng y D. Yu, «Tensor Deep Stacking
] Networks,» IEEE Transactions on Pattern Analysis and
Machine Intelligence, vol. 35, nº 8, pp. 1944-1957, 2013.
[15 J. A. Larson, «Is machine learning useful in the field of
] electrical engineering?,» Quora, 06 08 2017. [En línea].
Available: https://www.quora.com/Is-machine-learning-
useful-in-the-field-of-electrical-engineering. [Último
acceso: 23 02 2019].
[16 B. Sivadasan, «Application of Artificial Intelligence in
] Electrical,» Global Research and Development Journal
for Engineering, vol. 21 , pp. 105-111, 2018.
[17 S. Madan y K. Bollinger, «Applications of artificial
] intelligence in power systems,» Electric Power Systems
Research 4, vol. 41, nº 2, pp. 117-131, 1997.
Universidad Distrital Francisco José De Caldas. Profesora: Danilo Alfonso López Sarmiento

IoT (Internet de las Cosas)

Molina C., Gómez J.

 El entorno del ejemplo es una oficina corporativa, se configuro

Resumen — En este trabajo se analizara que es el IoT (Internet para cambiar la temperatura a lo largo del tiempo que detectan
de las cosas) y un ejemplo en tomado del programa Packet Tracer. los sensores.
Palabras Clave — IoT, Internet de las Cosas, Packet Tracer,
Cisco

Abstract — This paper analyzes what is the IoT (Internet of

Things) and an example taken from the Packet Tracer program.

Key Words — IoT, Internet of Things, Packet Tracer, Cisco

I. IOT (INTERNET DE LAS COSAS) Desde la computadora portátil se puede acceder a la página web
de Home Gateway y controlar el termostato de forma remota.
La internet de las cosas (IoT, por sus siglas en inglés) es un
sistema de dispositivos de computación interrelacionados,
máquinas mecánicas y digitales, objetos, animales o personas
que tienen identificadores únicos y la capacidad de transferir
datos a través de una red, sin requerir de interacciones humano
a humano o humano a computadora [1].

Una cosa, en la internet de las cosas, puede ser una persona con
un implante de monitor de corazón, un animal de granja con un
transpondedor de biochip, un automóvil que tiene sensores
incorporados para alertar al conductor cuando la presión de los
neumáticos es baja, o cualquier otro objeto natural o artificial al
que se puede asignar una dirección IP y darle la capacidad de
transferir datos a través de una red [1].

II. EJEMPLO
Un ejemplo de IoT se puede realizar en el programa packet La MCU está configurada para leer desde el sensor de
tracer. Buscando en lo ejemplos se encontró uno en cual hay un temperatura, convertir el valor a un rango y luego salir a la
ambiente en el que varía la temperatura. pantalla LCD.

III. BIBLIOGRAFÍA

[1] TechTarget S.A., «Internet de las cosas (IoT),»

TechTarget S.A., 01 2017. [En línea]. Available:
https://searchdatacenter.techtarget.com/es/definicion/Inte
rnet-de-las-cosas-IoT. [Último acceso: 27 02 2019].

Proyecto Final Redes de Comunicación 27 de febrero de 2019. Sebastián, Autor, Estudiante, Universidad Distrital Francisco José de Caldas,
Molina Celis, Crithian Eduardo, Autor, Estudiante, Universidad Distrital Ingeniería eléctrica (juasgomezc@correo.udistrital.edu.co ) 20142007128.
Francisco José de Caldas, Ingeniería eléctrica
(cmolinac@correo.udistrital.edu.co) 20141007109. Gómez Chitiva, Juan