Descripción de metodologías de Machine Learning (ML) para la identificación de actividades a través de reconocimiento de patrones.
Palabras clave:
ML, aprendizaje semi-supervisado, clasificación, etiquetadoResumen
La aplicación de modelos de Machine Learning (ML) se está volviendo cada vez más frecuente para la implementación, automatización y sistematización de los procesos. No obstante, los modelos y técnicas que se encuentran disponibles en la literatura y desarrollo actual están diseñados con el objetivo de obtener un mejor rendimiento en un determinado problema, ya sea para potenciar la evaluación y clasificación de datos etiquetados o potenciar la búsqueda de clusteres o grupos altamente probables para la clasificación correcta, donde el primero sirve para mejorar la precisión en la evaluación de la clasificación, ya que no se preocupa por el etiquetado, mientras que el segundo sirve para mejorar la clasificación, considerando que los datos no están etiquetados. Debido a las ventajas y desventajas que se presentan por la eficiencia de estos enfoques al uso de una extensa base de datos, se usan modelos híbridos con el objeto de obtener con mayor precisión la clasificación correcta, y en particular, el presente estudio realizó un análisis de cuatro enfoques ML de aprendizaje supervisado implementado por la aplicación de algoritmos, para realizar un seguimiento cercano de los procesos y comprender cada problema. Los resultados arrojaron una precisión variable entre 30% a 50% respecto a la precisión nula de modelos no supervisados. Además, se concluyó que el modelo desarrollado se condicionó para una potencial mejora con la implementación del modelo semi-supervisado Hierarchical Extreme Learning Machine (HELM), el cual se sugiere usar como complemento necesario en modelos clásicos de ML para predicciones no supervisadas.
Citas
Bannach et al., (2008). Rapid Prototyping of Activity Recognition Applications. IEEE Pervasive Computing, 1-19.
Baños et al., (2012). A benchmark dataset to evaluate sensor displacement in activity recognition. . In Proceedings of the 2012 ACM Conference on Ubiquitous Computing, 1026-1035.
Bengio. (2013). Deep learning of representations: looking forward. International Conference on Statistical Language and Speech Processing, 1-37.
Lachtermacher et al., (1995). Backpropagation in time-series forecasting. Journal of Forecasting, 14, 381-393.
Lapedes et al., (1988). How neural nets work In: Anderson (Ed), Neural Information Processing Systems. American Institute of Physics, 442-456.
Lara, O., & Labrador, M. (2012). A survey on human activity recognition using wearable sensors. IEEE communications surveys & tutorials, 15(3), 1192-1209.
Piqueras. (2020). Aplicación del aprendizaje profundo al reconocimiento de la actividad humana. Máster Universitario en Inteligencia Artificial. Valencia, España: Universidad Nacional de La Rioja (UNIR).
Srinivasan et al., (1994). A neural network short-term load forecaster . Electric Power System Research, 28, 227-234.
Wang et al., (2019). Deep learning for sensor-based activity recognition: A survey. Pattern Recognition Letters, 119, 3-11.
Yang et al., (2015). Deep convolutional neural networks on multichannel time series for human activity recognition. Twenty-Fourth International Joint Conference on Artificial Intelligence.
Yang, Q. (2009). Activity recognition: Linking low-level sensors to high-level intelligence. Twenty-First International Joint Conference on Artificial Intelligence.
Yao et al., (2018). Deep learning of semisupervised process data with hierarchical extreme learning machine and soft sensor application. IEEE Transactions on Industrial Electronics, 65(2), 1491-1498.
