Desarrollo de competencias: inteligencia artificial y aprendizaje automático en prácticas supervisadas de estudiantes en computación

Development of competencies: artificial intelligence and machine learning in supervised internships of computer science students

Desenvolvimento de competências: inteligência artificial e aprendizagem automática em estágios supervisionados de estudantes em ciências da computação.

Autoría SCIMAGO INSTITUTIONS RANKINGS

Resumen

(Objetivo) El objetivo de esta investigación se centra en el desarrollo de competencias en inteligencia artificial y aprendizaje automático para el estudiantado que desee experimentar en la creación de modelos de aprendizaje automático.

(Metodología) El estudio se realizó en el Laboratorio de Procesamiento de Imágenes Digitales de la Universidad Nacional de Costa Rica, durante el I ciclo del 2023 por personas académicas y estudiantes que cursan la asignatura Práctica Profesional; se enmarca en una investigación aplicada y exploratoria, en la cual se creó y utilizó una metodología que muestra el paso a paso para clasificar mamografías en benignas y malignas, desarrollando un modelo de aprendizaje automático. Se utilizó un conjunto de datos compuesto por 118 imágenes de mamografías, previamente diagnosticadas.

(Resultados) Los resultados se dividen en dos áreas. La primera es la sistematización del proceso de enseñanza y aprendizaje basado en competencias, resultados de aprendizaje y la rúbrica para la evaluación de los aprendizajes, en las áreas de inteligencia artificial, aprendizaje automático y redes neuronales. La segunda involucra los productos generados al construir una aplicación informática Modelo de clasificación de mamografías, el cual integra una red neuronal de convolución que incluye la transformación de imágenes, la creación y el entrenamiento.

(Conclusiones) Se concluye que, desde la academia, se pueden innovar en modelos de aprendizajes centrados en el estudiantado, para fortalecer habilidades que mejoren su perfil profesional. Desde el campo médico, la clasificación de mamografías es una oportunidad para el desarrollo de competencias en un entorno real.

Palabras clave: inteligencia artificial; aprendizaje automático; redes neuronales de convolución; conocimiento; computación e informática

Competencia	Resultado de aprendizaje
C1. Capacidad para manipular imágenes.	RA 1.1. Aplica acciones o cambios para manipular las imágenes según los atributos: corrección de color, tamaño, tipo, resolución, formato, etc.
C2. Capacidad para comprender los fundamentos de la inteligencia artificial y el aprendizaje automático (Machine Leaning).	RA 2.1. Identifica los conceptos de la IA y el endizaje automático (Machine Learning).
	RA 2.2. Comprende cómo funcionan las redes según los tipos de arquitecturas (convolucionales o recurrentes).
	RA 2.3. Describe y depura código para implementar algoritmos de aprendizaje automático o Machine Learning en Python versión 3.
	RA 2.4. Identifica y utiliza bibliotecas y frameworks específicos para aprendizaje automático o Machine Learning.
C3. Capacidad para programación y desarrollo de modelos.	RA 3.1. Aplica la programación y la implantación de modelos de redes neuronales.
	RA 3.2. Puede construir, entrenar y evaluar modelos de redes neuronales.
	RA 3.3. Aplica análisis matemático en la programación y desarrollo de los modelos.
C4. Capacidad de solucionar problemas (transversal).	RA 4.1. Provee soluciones prácticas utilizando programación y redes neuronales para facilitar el análisis de imágenes médicas.
	RA 4.2. Selecciona algoritmos y modelos según la necesidad que enfrenta.
C5. Capacidad de análisis de resultados.	RA 5.1 Interpreta función de pérdida, matriz de confusión y análisis de efectividad.
C6. Capacidad ética (transversal).	RA 6.1. Cumple con todos los protocolos éticos y de privacidad de trabajar con datos médicos e imágenes sensibles.
C7. Capacidad para investigar (transversal).	RA 7.1. Se actualiza de forma constante con las últimas investigaciones de la IA.
	RA 7.2. Investiga sobre los avances de la IA aplicada a la medicina y el manejo de imágenes médicas.

I Etapa. Preparación y transformación de las imágenes
Competencias	RA	Habilidades
C1	RA 1.1.	Conocimientos de
C3	RA 3.1.	Conversión de imágenes
		Recorte y rotación
		Ajuste de color y contraste
		Segmentación
		Extracción de datos
		Limpieza de los datos
		Cambios de formatos de datos
		Binarización
C2	RA 2.1.	Lenguaje Python
		Manipulación de datos
		Manejo de archivos
	RA 2.4.	Manejo de bibliotecas de procesamiento de imágenes
II Etapa. Creación y entrenamiento de la red neuronal
C3	RA 3.3.	Álgebra lineal
	RA 3.1.	Construcción de redes neuronales
	RA 3.2.	Experiencia en la división de conjuntos de entrenamiento
C2	RA 2.2.	Arquitectura de las redes neuronales, capas, funciones de activación y conexiones
	RA 2.3.	Bibliotecas de aprendizaje automático
	RA 2.3.	Normalización de datos
	RA 2.1.	Depuración de datos
		Manejo de datos faltantes
III Etapa. Interpretación de resultados
C5	RA 5.1.	Validación y pruebas
		Optimización y entrenamiento de redes para el descenso de gradiente como el descenso de gradiente como el descenso de gradiente estocástico (SGD)
		Comprender el problema
		Métricas de evaluación
		Visualización de resultados

Componente	Tipo	Clasificación	Funcionalidad
Cv2	Librería	Imágenes	Utilizada para el tratamiento de imágenes. Incluye la carga, la visualización, la manipulación y el filtrado de imágenes.
Os	Módulo	Sistema operativo	Utilizado para la funcionalidad del sistema operativo.
Pycaret	Librería	Machine Learning	Utilizada para el aprendizaje automático en el desarrollo de modelos de ML.
Numpy	Función	Machine Learning	Utilizada para ejecutar cálculos lógicos y matemáticos (vectores y matrices de grandes dimensiones).
Pandas	Biblioteca	Machine Learning	Utilizada para la manipulación y análisis de datos.
Matplotlib	Librería	Machine Learning	Utilizada para la creación de gráficos de datos y de modelos de aprendizaje automático.
Tensorflow	Librería	Machine Learning Redes neurales	Utilizada para construir y entrenar redes neuronales.
Sklearn o Scikit-learn	Librería	Machine Learning	Utilizada para hacer análisis predictivo.
Keras	Librería	Redes neurales	Utilizada para programar las redes neuronales

Manipulación de imágenes
Avanzado	Competente	Básico	Insuficiente
Aplica acciones y cambios avanzados en imágenes y demuestra destreza y creatividad.	Aplica acciones y cambios efectivos en imágenes.	Aplica acciones básicas, pero debe mejorar el manejo adecuado de los atributos.	No puede aplicar acciones en imágenes.
Conocimientos de IA y aprendizaje automático
Avanzado	Competente	Básico	Insuficiente
Demuestra un amplio conocimiento de los conceptos e IA y aprendizaje automático.	Identifica, de forma correcta, conceptos de IA y aprendizaje automático.	Demuestra un conocimiento ligero de los conceptos de IA y aprendizaje automático.	No puede identificar los conceptos mencionados.
Implementar algoritmos de aprendizaje automático en Python
Avanzado	Competente	Básico	Insuficiente
Demuestra, de forma excepcional, cómo se describe y depura el código complejo de aprendizaje automático en Python.	Describe y depura el código para implementar algoritmos de aprendizaje automático en Python.	Describir y depurar código básico de aprendizaje automático en Python.	No puede describir ni depurar código en Python.
Uso de biblioteca y frameworks de aprendizaje automático
Avanzado	Competente	Básico	Insuficiente
Utiliza bibliotecas y frameworks de manera experta.	Utiliza bibliotecas y frameworks específicos de aprendizaje automático, de manera competente.	Es consciente de las bibliotecas y frameworks, pero tiene dificultades para usarlos.	No puede usar bibliotecas ni frameworks de aprendizaje automático
Programación y desarrollo de modelos de redes neuronales
Avanzado	Competente	Básico	Insuficiente
Demuestra, de forma excepcional, la programación y el desarrollo de modelos de redes neuronales.	Aplica, de manera eficaz, la programación y la implantación de modelos de redes neuronales.	Realiza intentos básicos de programación y desarrollo de modelos de redes neuronales.	No puede aplicar la programación ni la implementación de modelos de redes neuronales.

Época	Pérdida de entrenamiento	Precisión de entrenamiento	Pérdida de validación	Precisión de validación
1	1,2394	0,5472	0,68392	0,5488
2	0,6560	0,6062	0,62771	0,6334
3	0,5847	0,6783	0,53949	0,7183
4	0,4829	0,7608	0,40146	0,8311
5	0,3581	0,8380	0,32128	0,8586
6	0,2495	0,8956	0,24107	0,8955
7	0,1850	0,9236	0,15873	0,9414
8	0,1410	0,9458	0,13121	0,9506
9	0,1211	0,9532	0,11778	0,9548
10	0,1058	0,9598	0,1182	0,9550

vertical_align_top file_download show_chart

more_horizclose
- image
- translate
- link
- article
- vertical_align_top
- file_download
- show_chart
- image
- translate
- link
- article

location_on

Universidad Nacional, Costa Rica Heredia, Costa Rica, Heredia, Costa Rica, Heredia, Costa Rica, CR, 86-3000, 88942130, 25626029 - E-mail: revistauniciencia@una.cr

rss_feed Acompanhe os números deste periódico no seu leitor de RSS

Acessibilidade / Reportar erro

[TFN1] Nota: marco de competencias y resultados de aprendizaje(LAPID, 2023)

Diagnóstico	Cantidad de mamografías
Calcificaciones	25
Masas circunscritas	20
Masas espiculadas	21
Masas mal definidas	15
Distorsiones arquitecturales	20
Densidades asimétricas	17
Total	118

Creación del modelo El código define una arquitectura de modelo de red neuronal de convolución (CNN); utiliza la biblioteca Keras en Python.	def create_model():
	model = Sequential()
	model.add(Conv2D(32, kernel_size=(3,3) ,
	activation=’relu’,input_shape=(224, 224, 1)))
	model.add(Conv2D(64, kernel_size=(3,3),activation=’relu’))
	model.add(MaxPool2D(pool_size=(2, 2)))
	model.add(Conv2D(64, kernel_size=(3,3),activation=’relu’))
	model.add(MaxPool2D(pool_size=(2, 2)))
	model.add(Dropout(0.25))
	model.add(Dense(64, activation=’relu’))
	model.add(Dropout(0.25))
	model.add(Flatten())
	model.add(Dense(1, activation=’sigmoid’))
Entrenamiento del modelo Este código entrena el modelo de red neuronal haciendo uso de un conjunto de datos de entrenamiento.	return model
	hist = model.fit(x_train_filtered,
	y_train,
	validation_split=0.2,
	epochs=10,
	batch_size=64,
	callbacks=(early_stop, model_check_point))

Clases	Precisión	Recall	F1-score	Support
0	0,87	0,91	0,89	3373
1	0,93	0,9	0,92	4619
Accuracy			0,91	7992
Macro avg	0,9	0,91	0,9	7992
Weighted avg	0,91	0,91	0,91	7992