1. Repositorio Digital USFQ
  2. TESIS COLEGIO DE POSGRADO
  3. MAESTRÍAS
  4. Tesis - Maestría en Ciencia de Datos
Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.usfq.edu.ec/handle/23000/14702
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorGrijalva, Felipe, dir.-
dc.contributor.authorBaquero Morales, Jenner Francois-
dc.date.accessioned2025-10-21T15:32:20Z-
dc.date.available2025-10-21T15:32:20Z-
dc.date.issued2024-12-01-
dc.identifier.citationTesis (Magíster en Ciencia de Datos), Universidad San Francisco de Quito, Colegio de Posgrados; Quito, Ecuador, 2024es_ES
dc.identifier.urihttp://repositorio.usfq.edu.ec/handle/23000/14702-
dc.descriptionYasuní National Park, a global biodiver- sity hotspot in Ecuador, faces significant ecological challenges due to human activities, highlighting the urgent need for effective wildlife monitoring techniques. This study explores the application of Convolutional Neural Networks (CNNs), specifically ResNet-152, to process and cluster a vast dataset of 100,000 camera-trap images collected in Yasuní over 15 years. By leveraging advanced deep learning techniques, including feature ex- traction and t-Distributed Stochastic Neighbor Embed- ding (t-SNE) visualization, we successfully organized the dataset into 11 distinct clusters...es_ES
dc.description.abstractEl Parque Nacional Yasuní, un punto global de biodiversidad en Ecuador, enfrenta desafíos ecológicos significativos debido a las actividades humanas, lo que resalta la urgente necesidad de técnicas efectivas para el monitoreo de la vida silvestre. Este estudio explora la aplicación de Redes Neuronales Convolucionales (CNNs), específicamente ResNet-152, para procesar y agrupar un extenso conjunto de datos de 100,000 imágenes captadas por cámaras trampa recolectadas en Yasuní durante 15 años. Al aprovechar técnicas avanzadas de aprendizaje profundo, incluyendo la extracción de características y la visualización mediante t-Distributed Stochastic Neighbor Embedding (t-SNE), organizamos exitosamente el conjunto de datos en 11 clústeres distintos...es_ES
dc.format.extent17 h.es_ES
dc.language.isoenes_ES
dc.publisherQuito,es_ES
dc.rightsopenAccesses_ES
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 Ecuador*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/ec/*
dc.subjectCiencia de datos - Redes neuronales -Tesis y disertaciones académicases_ES
dc.subject.otherTecnologíaes_ES
dc.subject.otherTecnologíaes_ES
dc.titleA deep learning approach to biodiversity: clustering wildlife images in Yasuní using CNNses_ES
dc.typemasterThesises_ES
Aparece en las colecciones: Tesis - Maestría en Ciencia de Datos

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
339983.pdfTexto completo6.34 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons