http://hdl.handle.net/10366/4828 2026-04-28T03:49:17Z http://hdl.handle.net/10366/170706 [ES]En la era digital actual, los sistemas de recomendación juegan un papel crucial en la manera en que los usuarios descubren y acceden a productos, servicios y contenidos a través de la web. Estos sistemas son fundamentales en diversas plataformas como servicios de streaming, tiendas en línea, redes sociales y motores de búsqueda. Tradicionalmente, los sistemas de recomendación se han clasificado en varias categorías, entre las que destacan el filtrado colaborativo, el filtrado basado en contenido y los métodos basados en conocimiento. Estos enfoques han utilizado históricamente diversos tipos de información, como las interacciones entre los usuarios y los ítems, información acerca de los objetos o características demográficas de los usuarios. No obstante, con el crecimiento exponencial de los datos en la era del big data, ha aumentado la disponibilidad de fuentes de información adicionales, conocidas como side information, que pueden integrarse para mejorar los modelos tradicionales. Esta información puede incluir datos contextuales, interacciones sociales, registros de comportamiento o metadatos variados, permitiendo construir sistemas de recomendación más personalizados y robustos. Por lo general, esta información se presenta en formato numérico o cadena, aunque actualmente se proponen y utilizan formatos más complejos y difíciles de procesar, como los textuales y visuales. El objetivo de este trabajo es realizar un estudio comparativo entre los sistemas de recomendación clásicos y las nuevas propuestas que utilizan información secundaria, como las características visuales de las imágenes, para determinar si esta información adicional mejora significativamente las recomendaciones. A través de este trabajo, se pretende aportar una comprensión más profunda de los beneficios y limitaciones del uso de este tipo de información secundaria en los sistemas de recomendación, proporcionando una base sólida para futuras investigaciones y desarrollos en este campo.; [EN]In today’s digital age, recommender systems play a crucial role in the way users discover and access products, articles, services and content across the web. These systems are fundamental in various platforms such and items, information about objects, or demographic characteristics of users. However, with the exponential growth of data in the era of big data, the availability of additional sources of information, known as “side information,” that can be integrated to enhance traditional models has increased. This information can include contextual data, social interactions, behavioral logs or various metadata, enabling more personalized and robust recommender systems to be built. Generally, this information is presented in numeric or string format, although more complex and difficult to process formats, such as textual and visual, are now being proposed and used. The objective of this work is to perform a comparative study between classical recommender systems and new proposals that use secondary information, such as the visual characteristics of images, to determine whether this additional information significantly improves recommendations. Through this work, we aim to provide a deeper understanding of the benefits and limitations of using this type of secondary information in recommender systems, providing a solid foundation for future research and development in this field. As streaming services, online stores, social networks and search engines. Traditionally, recommender systems have fallen into several categories, including collaborative filtering, content-based filtering and knowledge-based methods. These approaches have historically used various types of information, such as interactions between users. 2025-07-01T00:00:00Z http://hdl.handle.net/10366/168164 [ES] El presente trabajo se ha realizado como Tesis de Fin de Máster del Máster en Sistemas Inteligentes de la Universidad de Salamanca, correspondiente al curso académico 2009-2010. En el trabajo se presentan los resultados obtenidos del análisis de los cromosomas 8, 11 y 12 del genoma humano, para la determinación de las posiciones donde se encuentran las islas CpG mediante la implementación en MatLab de Modelos Ocultos de Markov. Este método diverge con respecto a otros empleados en la actualidad en que éste, a diferencia de los otros, no se fundamenta en mediciones sobre la propia secuencia, sino que emplea principios estocásticos para establecer relaciones entre los elementos de la secuencia y el modelo que lo sustenta. Las conclusiones obtenidas permiten la extrapolación del método utilizado para la búsqueda, de dichas islas, en otros genomas de mamíferos.; [EN] This work was carried out as a Master's Thesis for the Master's in Intelligent Systems at the University of Salamanca, corresponding to the 2009-2010 academic year.The paper presents the results obtained from the analysis of chromosomes 8, 11 and 12 of the human genome, for the determination of the positions where CpG islands are located through the implementation of Hidden Markov Models in MatLab.This method differs from others currently in use in that, unlike the others, it is not based on measurements of the sequence itself, but rather uses stochastic principles to establish relationships between the elements of the sequence and the model that supports it.The conclusions obtained allow the method used to search for these islands to be extrapolated to other mammalian genomes. 2010-09-03T00:00:00Z http://hdl.handle.net/10366/164911 [ES]La selección de características desempeña un papel fundamental en la mejora de la eficiencia y precisión de los modelos de machine learning. A nivel mundial, la cantidad de datos generados se duplica aproximadamente cada dos años, alcanzando niveles insostenibles y presentando un gran desafío. Este trabajo profundiza en el estudio de los enfoques filter, wrapper y embedded mediante la implementación de los algoritmos Random Forest, LASSO, Forward Feature Selection, Genetic Algorithm, Correlation y Relief. Además, se emplean múltiples herramientas para la construcción de modelos eficientes y soluciones óptimas. Se ha logrado determinar cuáles de estos algoritmos funcionan mejor en términos de eficiencia, tamaño del conjunto de datos y plataformas utilizadas, aplicando una metodología centrada en la recopilación de datos, modelado y posterior análisis. Para líneas futuras, se propone la continuación del estudio para aportar mayor veracidad a los resultados obtenidos, así como una posible mejora mediante el empleo de algoritmos híbridos que ofrezcan una solución más robusta y efectiva.; [EN]Feature selection plays a key role in improving the efficiency and accuracy of machine learning models. Globally, the amount of data generated doubles approximately every two years, reaching unsustainable levels and presenting a major challenge. This work delves into the study of filter, wrapper and embedded approaches by implementing Random Forest, LASSO, Forward Feature Selection, Genetic Algorithm, Correlation and Relief algorithms. In addition, multiple tools are used for the construction of efficient models and optimal solutions. It has been possible to determine which of these algorithms work best in terms of efficiency, dataset size and platforms used, applying a methodology focused on data collection, modeling and subsequent analysis. For future lines, the continuation of the study is proposed to provide greater veracity to the results obtained, as well as a possible improvement through the use of hybrid algorithms that offer a more robust and effective solution. 2024-06-01T00:00:00Z http://hdl.handle.net/10366/164908 [ES]Este trabajo de investigación examina la optimización de redes de distribución energética mediante la incorporación de técnicas de inteligencia artificial y el uso de herramientas de simulación avanzadas basadas en motores de videojuegos, específicamente Unity. Se destaca la aplicación del aprendizaje por refuerzo, junto con otras técnicas de IA, para la mejora en la eficiencia y manejo de las cargas energéticas en condiciones dinámicas y variables. Este enfoque permite no solo anticipar las fluctuaciones en la demanda y la oferta de energía, sino también adaptar las estrategias de operación en tiempo real para maximizar la eficiencia del sistema. A través de un proceso de simulación, se han probado diversas estrategias de gestión energética. Estas simulaciones proporcionan un ambiente seguro y controlado para experimentar con diferentes configuraciones y escenarios sin los riesgos asociados con las pruebas en sistemas reales. Los resultados obtenidos indican que la implementación de la IA en la gestión de redes energéticas puede conducir a una notable reducción de pérdidas energéticas y a una gestión más eficiente de la carga. Este aspecto es particularmente relevante dado el creciente enfoque hacia la sostenibilidad y la necesidad de sistemas energéticos que puedan adaptarse y manejar eficazmente recursos renovables.; [EN]The focus of this study is on the optimisation of energy distribution networks through the application of advanced artificial intelligence (AI) techniques and the use of video game engines such as Unity for simulation. It explores methods such as reinforcement learning to improve the efficiency and management of loads under dynamic and variable conditions. Simulations allow testing and validation of energy management strategies in a safe and controlled environment, providing valuable insights for practical implementation. The results demonstrate that the combination of AI and simulation can reduce energy losses and effectively accommodate renewable energy integration. 2024-07-01T00:00:00Z http://hdl.handle.net/10366/164905 [ES]El presente informe técnico de fin de máster detalla el diseño, implementación y validación de un sistema avanzado de inteligencia de amenazas que integra técnicas de búsqueda elástica e inteligencia artificial. Este sistema, recopila, procesa y analiza información de reportes de ciberseguridad de empresas reconocidas del sector, mejorando significativamente la eficiencia y eficacia en la detección de amenazas cibernéticas. La contribución principal es la creación de una ontología comprehensiva para la inteligencia de amenazas en ciberseguridad, basada en el marco MITRE ATT&CK. Esta ontología estandariza y estructura el conocimiento en el área, facilitando la comunicación entre sistemas y profesionales, y mejorando significativamente la identificación y análisis de amenazas. El sistema destaca por su capacidad para procesar datos no estructurados de reportes de ciberseguridad, utilizando un modelo de lenguaje avanzado con procesamiento del lenguaje natural para extraer entidades, como vulnerabilidades, tácticas, técnicas y procedimientos (TTP) de atacantes, e indicadores de compromiso (IoC). Estas entidades se almacenan en una base de datos que emplea técnicas de búsqueda elástica, permitiendo una recuperación eficiente de la información.; [EN]This technical report details the design, implementation and validation of an advanced threat intelligence system that integrates elastic search and artificial intelligence techniques. This system collects, processes and analyzes information from cybersecurity reports of well-known companies in the industry, significantly improving the efficiency and effectiveness of cyber threat detection. A major contribution is the creation of a comprehensive ontology for cybersecurity threat intelligence, based on the MITRE ATT&CK framework. This ontology standardizes and structures knowledge in the area, facilitating communication between systems and professionals, and significantly improving threat identification and analysis. The system stands out for its ability to process unstructured data from cybersecurity reports, using an advanced language model with natural language processing to extract key entities such as vulnerabilities, tactics, techniques and procedures (TTP) of attackers, and indicators of compromise (IoC). These entities are stored in a database that employs elastic search techniques, enabling efficient information retrieval. 2024-07-01T00:00:00Z http://hdl.handle.net/10366/164903 [ES]Los grandes modelos de lenguaje (LLM) han revolucionado la inteligencia artificial, aplicándose en diversas tareas como los sistemas de recomendación. Este trabajo revisa la literatura existente y propone reproducir un método de recomendación secuencial llamado LlamaRec, que utiliza un enfoque de dos fases: primero selecciona candidatos con un modelo tradicional y luego los reordena con un LLM. Los resultados muestran que LlamaRec es efectivo en varios dominios y que puede mejorarse con modelos más avanzados, aunque enfrenta limitaciones como la necesidad de altos recursos computacionales. Este estudio sugiere futuras investigaciones para optimizar el entrenamiento y mejorar la reproducibilidad en sistemas de recomendación basados en LLM.; [EN]Large language models (LLMs) have disrupted artificial intelligence, being applied to multiple tasks such as recommender systems. This work reviews the existing literature and proposes evaluating an LLM-based sequential recommendation method called LlamaRec, which uses a two-phase approach: first, it retrieves candidates with a traditional model and then ranks them with an LLM. The results show that LlamaRec is effective across multiple domains and can be improved with more advanced models, though it faces limitations like the need for significant computational resources. This study suggests future research to optimize training and reproducibility practices in LLM-based recommendation systems 2024-07-01T00:00:00Z http://hdl.handle.net/10366/164901 [ES]En la sociedad globalizada actual el envío de artículos mediante mensajería está siendo cada vez más creciente, por lo que está ocurriendo un auge en técnicas de optimización para que las empresas puedan enviar más artículos con menos costes. Este trabajo consistirá en el estudio del problema de la mochila mediante la aplicación de técnicas de optimización combinatoria y aprendizaje automático, con el objetivo de superar las limitaciones de los métodos tradicionales. Para ello, se evaluarán diversos algoritmos, incluyendo heurísticas clásicas y métodos basados en aprendizaje profundo. Estos métodos son puestos a prueba en un conjunto de escenarios simulados (casos de estudio) que reflejan diversas condiciones de empaquetado, con el fin de evaluar la adaptabilidad y robustez de las diferentes técnicas. Con los resultados obtenidos del análisis, se ha implementado una plataforma web encargada de realizar la optimización de empaquetado de manera interactiva e ideada para operarios de almacén encargados de realizar la preparación de envíos. De esta manera, el sistema ayudará a los operarios que se encargan de la logística de los bultos, indicándoles cómo empaquetar los artículos, para reducir errores humanos y mejorando su eficiencia.; [EN]In today’s globalized society, the shipment of items through courier services is increasingly growing, leading to a surge in optimization techniques so that companies can ship more items at lower costs. This work involves the study of the knapsack problem through the application of combinatorial optimization techniques and machine learning, surpassing the limitations of traditional methods. For this purpose, various algorithms, including classic heuristics and methods based on deep learning, will be evaluated. These methods are tested in a set of simulated scenarios that reflect various packing conditions, in order to assess the adaptability and robustness of the different techniques. With the results obtained from the analysis, a web platform has been implemented that is responsible for carrying out packaging optimization interactively designed for warehouse operators in charge of preparing shipments. In this way, the system will help operators who are in charge of logistics of the packages, indicating how to pack to reduce human errors and improve their efficiency 2024-07-01T00:00:00Z http://hdl.handle.net/10366/164899 [ES]El presente informe técnico de fin de máster detalla el diseño, implementación y validación de TransformerGuard, un asistente proactivo de ciberseguridad que integra inteligencia artificial generativa. Este asistente tiene la capacidad de razonar, tomar decisiones informadas y actuar en consecuencia, interactuando con diversos sistemas, bases de datos, internet y herramientas para ofrecer respuestas precisas y actualizadas sobre los últimos acontecimientos en el campo (como amenazas, vulnerabilidades y ataques), adaptadas a la infraestructura específica del usuario y minimizando las alucinaciones. TransformerGuard se ha desarrollado utilizando agentes avanzados de inteligencia artificial, técnicas de prompt-engineering y modelos de lenguaje de gran escala (LLM) de última generación. Una de las principales ventajas de TransformerGuard es su capacidad de funcionar en ordenadores domésticos sin depender de recursos externos, gracias a que emplea modelos de código abierto que, además, garantizan la privacidad de las conversaciones y reducen significativamente los costes de mantenimiento y uso. El diseño del asistente es modular y reutilizable, acorde con las directrices y estándares actuales para arquitecturas de aplicaciones que integran LLM, asegurando la máxima eficiencia operativa.; [EN]This master’s thesis technical report elaborates on the design, implementation, and validation of TransformerGuard, a proactive cybersecurity assistant that incorporates generative artificial intelligence. This assistant is capable of reasoning, making informed decisions, and acting accordingly, interacting with various systems, databases, the internet, and tools to provide precise and up-to-date responses about the latest developments in the field (such as threats, vulnerabilities, and attacks), tailored to the user’s specific infrastructure and minimizing hallucinations. TransformerGuard has been developed using advanced artificial intelligence agents, prompt-engineering techniques, and state-of-the-art large language models (LLMs). A primary advantage of TransformerGuard is its ability to operate on personal computers without relying on external resources, utilizing open-source models that also ensure the privacy of conversations and significantly reduce maintenance and use costs. The design of the assistant is modular and reusable, in line with current guidelines and standards for application architectures that integrate LLMs, ensuring maximum operational efficiency. 2024-06-01T00:00:00Z http://hdl.handle.net/10366/164890 [ES]En la actualidad, las personas invidentes son capaces de leer, a partir del lenguaje braille incluido en la caja de los medicamentos, una pequeña información sobre los mismos. Además, el acceso al prospecto completo se ve limitado para personas que poseen visión reducida, debido a problemas visuales (miopía, vista cansada, entre otros) por el pequeño tamaño de su letra. A través de esta investigación, se trata de solucionar esta problemática, mediante un modelo de visión artificial que pueda identificar diferentes cajas de medicamentos desde el propio dispositivo móvil. Además, que utilizando Procesamiento del Lenguaje Natural (PLN) se pueda generar una respuesta a cualquier pregunta del usuario acerca del medicamento, teniendo en cuenta el contexto del prospecto. Para lograr este objetivo, se ha creado un dataset de cajas de medicamentos españoles. Posteriormente, se han entrenado dos modelos pre-entrenados de clasificación (MobileNetV2 y ResNet50) y otros dos de detección para (EfficientDet-Lite0 y EfficientDet-Lite2) capaces de identificar la caja del medicamento a través de las imágenes proporcionadas por el dispositivo móvil del usuario en tiempo real. Por otro lado, se trata de obtener un modelo de PLN que tenga la capacidad de generar una respuesta a una pregunta de un usuario. Se han creado otros dos conjuntos de datos con la finalidad de responder a las preguntas del usuario acerca del medicamento. El primer dataset tiene como objetivo determinar en qué sección del prospecto se encuentra la respuesta a la pregunta. El segundo tiene la finalidad de generar la respuesta a la pregunta teniendo como contexto la sección elegida en el paso anterior. Se ha realizado fine-tuning con los dos conjuntos de datos de un modelo pre-entrenado con texto español basado en la arquitectura BART. Para finalizar, se ha implementado una aplicación disponible para Android que permite utilizar ambos modelos de machine learning obtenidos.; [EN]Nowadays, blind people are able to read, from the braille language included on the medicine box, a small amount of information about the medicine. In addition, access to the full package patient information is limited for people with reduced vision, due to visual problems (myopia, eyestrain, among others) because of the small size of the print. This research aims to solve this problem by means of an artificial vision model that can identify different boxes of medicines from the mobile device itself. Furthermore, using Natural Language Processing (NLP), it can generate an answer to any question from the user about the medicine, taking into account the context of the patient information leaflet. To achieve this goal, a dataset of Spanish medicine boxes has been created. Subsequently, two pre-trained classification models (MobileNetV2 and ResNet50) and two detection models (EfficientDet-Lite0 and EfficientDet-Lite2) capable of identifying the drug box through the images provided by the user's mobile device in real time have been trained. On the other hand, the aim is to obtain a PLN model that has the ability to generate an answer to a user's question. Two other datasets have been created in order to answer the user's questions about the medicine. The first dataset is intended to determine in which section of the package leaflet the answer to the question is found. The second one aims to generate the answer to the question in the context of the section chosen in the previous step. We have performed fine-tuning with the two datasets of a pre-trained model with Spanish text based on the BART architecture. Finally, an application available for Android has been implemented that allows the use of both models of machine learning obtained. 2024-06-01T00:00:00Z http://hdl.handle.net/10366/164889 [ES]Este Trabajo de Fin de Máster trata sobre la caracterización de las darknets y se centra especialmente en la red Tor (The Onion Router). La primera parte consiste en un análisis bibliográfico que abarca la compilación y estudio de la literatura referente al marco teórico del tema de las darknets y los fundamentos técnicos que intervienen en la elaboración del estudio. Seguido a esto, se desarrolla el trabajo experimental. Este trabajo inicialmente se ocupa de la recolección masiva de datos de la red Tor con la ayuda de un crawler específico y una lista de 24 direcciones onion como semillas. El resultado de esto fue una red compuesta por 69 118 nodos (que representan páginas web) y 346 249 enlaces entre estos. Esos datos fueron visualizados con la ayuda de un software. Conjuntamente se hallaron los valores de varios indicadores cibermétricos para tener una mejor comprensión de esta red, tanto de su estructura como de su dinámica interna. En último lugar, se realizó una comparación entre los resultados de este análisis y los de algunos estudios similares realizados previamente.; [EN]This Master’s Thesis deals with the characterization of darknets and focuses especially on the Tor network (The Onion Router). The first part consists of a bibliographic analysis that covers the compilation and study of the literature referring to the theoretical framework of the topic of darknets and the technical foundations involved in the preparation of the study. Following this, the experimental work is developed. This work initially deals with massive data collection from the Tor network with the help of a specific crawler and a list of 24 onion addresses as seeds. The result of this was a network composed of 69,118 nodes (representing web pages) and 346,249 links between them. These data were visualized with the help of software. Jointly, the values of several cybermetric indicators were found to have a better understanding of this network, both its structure and its internal dynamics. Lastly, a comparison was made between the results of this analysis and those of some similar studies carried out previously 2024-07-01T00:00:00Z http://hdl.handle.net/10366/158444 [ES]Esta tesis explora el uso de la inteligencia artificial (IA) en la educación, centrándose en mejorar la interacción humano-computadora (HCI) y la experiencia del usuario. El estudio incluye una revisión sis temática de la literatura (SLR) y un estudio de caso del proyecto LATILL, un ejemplo destacado del uso de IA en la educación. La SLR examina el conjunto de literatura existente para determinar los efectos de la integración de la IA en la educación en la experiencia del usuario y en la HCI. Los resultados demuestran cómo la IA puede personalizar y adaptar las experiencias de aprendizaje, mejorar el rendimiento en tareas y mejorar la experiencia del usuario tanto para los docentes como para los estudiantes. La SLR también iden tifica las dificultades y restricciones relacionadas con la aplicación de la IA en la educación. El proyecto LATILL, que ejemplifica el uso efectivo de la IA en la educación de idiomas, es el foco del estudio de caso. El objetivo principal del proyecto es ayudar a los docentes a proporcionar orientación y apoyo personaliza dos a sus estudiantes. Pueden seleccionar textos apropiados según los niveles del Marco Común Europeo de Referencia para las Lenguas (CEFR) y características lingüísticas. La plataforma utiliza una metodología de diseño centrada en el usuario e incorpora prototipos y comentarios de los usuarios para garantizar una funcionalidad óptima y satisfacer los requisitos particulares de los docentes. El proyecto LATILL busca transformar la enseñanza de idiomas convencional, aumentar la participación de los estudiantes y fomentar experiencias de aprendizaje de idiomas gratificantes y exitosas mediante la promoción de la colaboración y el intercambio de recursos entre los educadores. A través de la SLR y el estudio de caso, esta tesis propor ciona conocimientos valiosos sobre el potencial de la IA en la educación, su impacto en la experiencia del usuario y la HCI, y los desafíos y oportunidades que surgen al implementar la IA en entornos educativos. En conclusión, esta investigación resalta los beneficios significativos de la integración de la IA en la educación y enfatiza la importancia de considerar los principios de experiencia del usuario y HCI al diseñar sistemas educativos impulsados por la IA. Al aprovechar de manera efectiva las tecnologías de IA y adoptar enfoques de diseño centrados en el usuario, los educadores pueden mejorar la experiencia de aprendizaje, fomentar la participación de los estudiantes y promover resultados educativos exitosos.; [EN]This thesis explores using artificial intelligence (AI) in education, concentrating on improving human computer interaction (HCI) and the user experience. The study includes a systematic review of the literature (SLR) and a case study of the LATILL project, a prime example of the use of AI in education. The SLR examines the body of existing literature to determine the effects of integrating AI in education on user experience and HCI. The results demonstrate how AI can personalize and adapt learning experiences, en hance task performance, and improve user experience for teachers and students. The SLR also identifies difficulties and restrictions related to the application of AI in education. The LATILL project, which ex emplifies the effective use of AI in language education, is the focus of the case study. The project’s main objective is to assist teachers in providing their students with individualized guidance and support. They can select appropriate texts based on CEFR levels and linguistic characteristics. The platform employs a user-centered design methodology and incorporates prototypes and user feedback to guarantee optimal functionality and satisfy the particular requirements of teachers. The LATILL project seeks to transform conventional language instruction, increase student engagement, and foster enjoyable and successful lan guage learning experiences by encouraging collaboration and resource sharing among educators. Through the SLR and the case study, this thesis provides valuable insights into the potential of AI in education, its impact on user experience and HCI, and the challenges and opportunities that arise in implementing AI in educational settings. In conclusion, this research highlights the significant benefits of integrating AI in education and emphasizes the importance of considering user experience and HCI principles when design ing AI-driven educational systems. By leveraging AI technologies effectively and adopting user-centered design approaches, educators can enhance the learning experience, promote student engagement, and foster successful educational outcomes. 2023-07-01T00:00:00Z http://hdl.handle.net/10366/158440 [ES]En esta investigación, se implementaron las redes neuronales profundas, Multi Layer Perceptron (MLP) y Long-Short Term Memory (LSTM), para optimizar el tratamiento de aguas residuales. Debido a la importancia crucial de asegurar que las EDAR cumplan con los límites legales establecidos para los contaminantes, el modelado y la predicción precisa de estos procesos es vital. Con este propósito, se seleccionaron las redes MLP y LSTM por su capacidad para procesar y aprender de los datos en los sistemas en lazo abierto como en lazo cerrado. Este enfoque permite detectar de manera eficiente las posibles violaciones en la calidad del efluente. En cuanto a los resultados obtenidos, se encontró que las predicciones hechas por la red MLP mostraron una menor tasa de error en comparación con las realizadas por la red LSTM. Sin embargo, se identificaron desafíos durante el entrenamiento de ambas redes, tales como una tendencia al sobreajuste en las iteraciones posteriores. Esto subraya la necesidad de desarrollar estrategias de regularización y optimización de hiperparámetros para mejorar el rendimiento de los modelos de redes neuronales en el tratamiento de aguas residuales.; [EN]In this research, deep neural networks, specifically Multi-Layer Perceptron (MLP) and Long-Short Term Memory (LSTM), were implemented to optimize wastewater treatment. Given the critical importance of ensuring that wastewater treatment plants comply with established legal limits for contaminants, the modeling and ac curate prediction of these processes is vital. For this purpose, MLP and LSTM networks were chosen due to their ability to process and learn from data in both open-loop and closed-loop systems. This approach enables efficient detection of po tential violations in effluent quality. Regarding the results obtained, it was found that predictions made by the MLP network exhibited a lower error rate than those made by the LSTM network. However, challenges were identified during the trai ning of both networks, such as a tendency towards overfitting in later iterations. This underscores the need to develop regularization strategies and hyperparameter optimization to improve the performance of neural network models in wastewater treatment. 2023-07-01T00:00:00Z http://hdl.handle.net/10366/158436 [ES]La congestión del tráfico es un problema que afecta la economía y calidad de vida de las personas. En España, el crecimiento vehicular ha generado impactos negativos en el medio ambiente y la seguridad vial. En este contexto, este trabajo se centró en optimizar la gestión semafórica de una intersección en Salamanca utilizando simuladores de tráfico y técnicas de optimización. Se lograron configuraciones óptimas de tiempos de semáforos mediante una metodología rigurosa que incluyó la recopilación de datos, modelado y ajuste de simulaciones, y el uso del algoritmo PSO. Los resultados mostraron una distribución más equitativa del flujo vehicular, demostrando la importancia de la simulación y optimización para mejorar la eficiencia vial. A futuro, se plantea la implementación en tiempo real utilizando tecnologías de visión artificial y la exploración de otros simuladores y técnicas de optimización, buscando sistemas de control de tráfico más eficientes y sostenibles.; [EN]Traffic congestion is a problem that affects people's economy and quality of life. In Spain, the growth of vehicles has generated negative impacts on the environment and road safety. In this context, this work focused on optimizing the traffic light management of an intersection in Salamanca using traffic simulators and optimization techniques. Optimal traffic signal timing settings were achieved through a rigorous methodology that included data collection, simulation modeling and tuning, and use of the PSO algorithm. The results showed a more equitable distribution of vehicle flow, demonstrating the importance of simulation and optimization to improve road efficiency. In the future, the implementation in real time using artificial vision technologies and the exploration of other simulators and optimization techniques are proposed, seeking more efficient and sustainable traffic control systems. 2023-07-01T00:00:00Z http://hdl.handle.net/10366/158426 [ES]En los últimos años, el campo de la robótica ha experimentado una evolución exponencial, y el uso de robots móviles se ha vuelto cada vez más común en diversos sectores de la sociedad, como la industria, la medicina, la agricultura y la logística. Por ello, cada vez más los desarrolladores optan por el uso de herramientas o recursos que les permitan un desarrollo de software ágil. Para poder desarrollar software en la robótica, se requiere de herramientas y plataformas de desarrollo software especializadas. Una de las más destacadas y ampliamente utilizadas es el Robot Operating System (ROS). En esta memoria, se realizará un análisis detallado de las diferentes versiones de ROS, desde las primeras versiones hasta las más recientes. Se examinarán las características y mejoras introducidas en cada una de ellas, así como las posibles limitaciones y desafíos asociados durante la prueba de las mismas. Además, en este proyecto se abordará el proceso de integración de un robot móvil en las versiones de ROS 1 y ROS 2. Indicando el proceso seguido desde la selección de componentes principales, como la percepción, el control, los recursos software y la planificación de movimiento. En este proceso se explorarán diferentes paquetes, repositorios y herramientas disponibles en ROS que facilitan esta integración. El objetivo principal de esta memoria es proporcionar a los lectores una visión global de la integración de un robot móvil en el entorno de ROS, abarcando las diferentes versiones de esta plataforma y su evolución a lo largo del tiempo. En conclusión, se espera que esta investigación fomente el uso y la investigación en el campo de la robótica, impulsando el avance de la tecnología y su aplicación en diversas áreas de la sociedad.; [EN]In recent years, the field of robotics has undergone an exponential evolution, and the use of mobile robots has become increasingly common in various sectors of society, such as industry, medicine, agriculture and logistics. As a result, more and more developers are opting for the use of tools or resources that enable agile software development. In order to develop software in robotics, specialised software development tools and platforms are required. One of the most prominent and widely used is the Robot Operating System (ROS). In this report, a detailed analysis of the different versions of ROS, from the ear liest versions to the most recent ones, will be carried out. It will examine the features and improvements introduced in each of them, as well as the possible limitations and challenges associated with testing them. In addition, this project will address the process of integrating a mobile robot into ROS 1 and ROS 2 versions, indicating the process followed from the selection of main components, such as perception, control, software resources and motion planning. In this process, different packages, repositories and tools available in ROS that facilitate this integration will be explored. The main objective of this report is to provide readers with an overview of the integration of a mobile robot in the ROS environment, covering the different versions of this platform and its evolution over time. In conclusion, it is hoped that this research will encourage the use of and research in the field of robotics, driving the advancement of the technology and its application in various areas of society. 2023-07-01T00:00:00Z http://hdl.handle.net/10366/158423 [ES]A lo largo de los últimos años, la inteligencia artificial (IA) ha experimentado un avance significativo en la detección de objetos en imágenes. La aplicación de técnicas de aprendizaje profundo y de machine learning ha revolucionado la capacidad de los algoritmos para identificar y localizar objetos en una variedad de entornos visuales. En este artículo, se presenta un estudio detallado sobre la detección de objetos en imágenes satelitales utilizando la arquitectura YOLO (You Only Look Once). Se realiza el proceso de entrenamiento de varios modelos YOLO utilizando un conjunto de datos específico, con el objetivo de comparar y analizar los resultados obtenidos. La investigación comienza con un marco teórico que aborda los conceptos clave de la IA, el deep learning y el machine learning, y se enfoca en las arquitecturas más destacadas para la detección de objetos en imágenes. Se destacan las características, las ventajas y la evolución de los modelos YOLO en particular, y se establece una base sólida para comprender el entrenamiento y evaluación de los algoritmos en el caso de estudio. A continuación, se presenta un caso de estudio en el cual se detalla el proceso de entrenamiento de cada algoritmo YOLO paso a paso. Se describen las configura ciones utilizadas, el conjunto de datos empleados y los métodos de evaluación para garantizar la precisión y la eficiencia en la detección de objetos. Finalmente, se presentan y analizan los resultados obtenidos al comparar los diferentes algoritmos YOLO entrenados.; [EN]Over recent years, artificial intelligence (AI) has made significant strides in object detection within images. The application of deep learning techniques and machine learning has revolutionized the ability of algorithms to identify and locate objects in a variety of visual environments. In this paper, a detailed study on object detection in satellite images using the YOLO (You Only Look Once) architecture is presented. The training process of various YOLO models using a specific dataset is carried out, with the aim of comparing and analyzing the results obtained. The research begins with a theoretical framework that addresses the key con cepts of AI, deep learning, and machine learning, focusing on the most prominent architectures for object detection in images. The features, advantages, and evolution of YOLO models in particular are highlighted, and a solid foundation is established to understand the training and evaluation of algorithms in the case study. Next, a case study is presented in which the training process of each YOLO algorithm is detailed step by step. The settings used, the datasets employed, and the evaluation methods to ensure accuracy and efficiency in object detection are described. Finally, the results obtained when comparing the different trained YOLO algo rithms are presented and analyze 2023-07-01T00:00:00Z http://hdl.handle.net/10366/158420 [ES]En la actualidad, la colaboración entre humanos y robots se ha convertido en una realidad gracias a los grandes avances en la robótica y la inteligencia artificial. Un tipo de robot que ha ganado popularidad en la industria es el cobot, también conocido como robot colaborativo. Estos robots están diseñados para trabajar co do a codo con los humanos, brindando asistencia en tareas repetitivas, pesadas o peligrosas, y optimizando los procesos productivos. En este trabajo, nos centraremos en el cobot UR3e (Universal Robots 3e), un modelo de robot colaborativo desarrollado por Universal Robots. El UR3e se ca racteriza por ser compacto, ligero y fácil de programar, lo que lo convierte en una opción versátil para diferentes aplicaciones industriales y entornos de trabajo. Además de los frameworks de Robot Operating System (ROS) en sus versiones ROS 1 y ROS 2, el software asociado al cobot UR3e incluye una herramienta fun damental: Polyscope. Polyscope es el software de la tablet del robot, proporcionado por Universal Robots, que permite la interacción y programación del cobot de ma nera intuitiva y eficiente, dirigida para todo tipo de público y facilitando su uso sin necesidad de conocimientos avanzados de programación. En conjunto, el uso de Polyscope como software de la tablet del cobot UR3e, junto con los frameworks ROS 1 y ROS 2, proporciona una solución completa y potente para la programación y control del cobot. Esta combinación de herramientas simplifica el proceso de desarrollo, permitiendo a los usuarios centrarse en la lógica de control y la interacción con los sensores y actuadores del UR3e. En resumen, en este trabajo exploraremos el cobot UR3e y su programación utilizando los frameworks ROS 1 y ROS 2, junto con el software de la tablet del robot, Polyscope. Estudiaremos las capacidades de programación y control que ofrecen estas herramientas, y analizaremos su integración en entornos colaborativos.; [EN]Today, human-robot collaboration has become a reality thanks to breakthroughs in robotics and artificial intelligence. One type of robot that has gained popularity in the industry is the cobot, also known as a collaborative robot. These robots are designed to work side by side with humans, providing assistance in repetitive, heavy or dangerous tasks, and optimising production processes. In this paper, we will focus on the UR3e cobot (Universal Robots 3e), a collabora tive robot model developed by Universal Robots. The UR3e is compact, lightweight and easy to program, which makes it a versatile option for different industrial ap plications and work environments. In addition to the Robot Operating System (ROS) frameworks in its ROS 1 and ROS 2 versions, the software associated with the UR3e cobot includes a fundamental tool: Polyscope. Polyscope is the robot’s tablet software, provided by Universal Robots, which allows the interaction and programming of the cobot in an intuitive and efficient way, aimed at all types of public and facilitating its use without the need for advanced programming knowledge. Overall, the use of Polyscope as the tablet software for the UR3e cobot, together with the ROS 1 and ROS 2 frameworks, provides a complete and powerful solution for programming and controlling the cobot. This combination of tools simplifies the development process, allowing users to focus on the control logic and interaction with the UR3e sensors and actuators. In summary, in this paper we will explore the UR3e cobot and its programming using the ROS 1 and ROS 2 frameworks, together with the robot’s tablet software, Polyscope. We will study the programming and control capabilities offered by these tools, and analyse their integration in collaborative environments. 2023-07-01T00:00:00Z