No tienes acceso a esta clase

¬°Contin√ļa aprendiendo! √önete y comienza a potenciar tu carrera

Feature vectors

15/24
Recursos

Aportes 130

Preguntas 4

Ordenar por:

Los aportes, preguntas y respuestas son vitales para aprender en comunidad. Regístrate o inicia sesión para participar.

Recordar que para que al final se procese la informaci√≥n tienen que quedar n√ļmeros.
Vector:
Altura total del √°rbol (desde tierra).
Diametro del tronco.
Altura de la copa.
Diametro de la copa.
Diametro de la rama.
Diametro de la ramita.

También podría agregarse datos de las hojas que hay en ese árbol.

Para complementar: Depende de la pregunta de investigaci√≥n que se realicen para determinar como modelar algo. E.g. Si quiero modelar un √°rbol debo preguntarme ¬Ņque es aquello que quiero modelar del √°rbol? ¬ŅQuiero problema quiero resolver? ¬ŅQuiero modelar la forma f√≠sica del √°rbol para clasificarlo? ¬ŅPara ello valdr√≠a la pena modelar todo el √°rbol o simplemente las ojas y el diametro del tronco? ¬ŅNecesito m√°s informaci√≥n para hacer el modelo?

Antes de hacer cualquier modelo, cuestionarse hasta m√°s no poder ayuda a entender mejor como resolver el problema.

Otro ejemplo que puede ser interesante es el reconocimiento e identificación de marcas y modelos de concretos de implantes dentales en radiografías. Se deberían poder diferenciar de los dientes y entre diferentes fabricantes. El vector podría ser:

  • Escala de gris [0-255]: Los metales se ven mucho m√°s blancos en las radiograf√≠as respecto a los dientes.
  • Longitud [micras]: distancia maxima entre dos planos paralelos (extremo y cuello)
  • Eje del cilindro en la imagen [0-360]: Eje en el que se ha calculado la distancia.
    Numero de espiras [n]: reconocimiento de los picos que corresponden a cada espira del tornillo.
  • Di√°metro [micras]: Distancia entre picos en el eje perpendicular al eje del cilindro.
  • Distancia entre espiras¬†[micras]: distancia entre los picos en el eje del cilindro.
  • Distancia entre el extremo superior y el primer pico.

Feacture Vectors:
Se utilizan para representar características simbólicas o numéricas.
Permiten analizar un objeto desde una perspectiva matem√°tica.
Nos permite definir cuales son los elementos importantes para un algoritmo y cuales no lo son.
Son usados en reconocimiento de voz, procesamiento de imagen, detección de spam, etc.
Recuerda:
Si tu vector tiene muchos valores ‚Äúrelevantes‚ÄĚ, lo m√°s probable es que tengas basura.

Aquí lo importante es evitar el Prejuicio en el muestreo

Porque para describir un objeto, debemos observar sus rasgos mas importantes y √ļtiles para el caso que tenemos delante.

No podemos describir sus cosas menos √ļtiles, ya que es informaci√≥n que esta de mas y por lo tanto habr√° ruido en nuestro sistema.

Ej: Tenemos una construcción con 120 bloques de color azul y 1 bloque de color verde

Si ponemos en el sistema que la construcci√≥n tiene 2 colores sin mas par√°metros, estaremos cayendo en un Prejuicio en el Muestreo ya que el bloque verde no tiene la misma representatividad frente a los 120 bloques azules, y a menos que necesitemos especificar ese bloque de diferente color, solo estar√≠amos metiendo ‚Äúruido‚ÄĚ (valores in√ļtiles que solo hacen que el resultado sea err√≥neo) al sistema

Si quisiera modelar un árbol buscaría describirlo por medio d:

  • Tipo de hojas: nervadas o no, etc
  • Ciclo de Floracion
  • Tipo de tronco
  • Color de tronco
  • Tipo de Frutos
  • Tipo de Flor.

Esta ejercicio me recuerda a las clases de dendrolog√≠a que es a ciencia y el estudio de las plantas le√Īosas (√°rboles y arbustos). Se toma caracter√≠stica vegetativa y si conocemos la familia de nuestro especie, reducimos el n√ļmero de especies posibles.
Como por ejemplo:
Las Hojas simples o compuesta
Que tipo de márgenes tiene (entero, dentadas, crenadas, lobulada …)
Disposición de la hoja (alternas, opuestas)
Con estípulas o sin estipula
corteza ( Textura, coloración…)
Con l√°tex o sin l√°tex
hasta el olor entre otras observaciones sutiles como tricoma o pelos en las hojas.

Abstracción de un gato

Para crear un vector considero que debe incluir informaci√≥n que ayude a describir el √°rbol sin tener en cuenta si es un √°rbol de 1 a√Īo o de 30 a√Īos, por lo tanto, el tama√Īo no lo considerar√≠a, una caracter√≠stica que no cambia mucho en el tiempo es la hoja. Me concentrar√≠a en crear un vector que describa la hoja:

  • forma

  • borde

  • venaci√≥n o nervadura

√Ārbol = [Forma, color]

Comprobación: Con esto ya puedes identificar un árbol.

Feature vectors para determinar que un √°rbol es de cierta especie:

  • Silueta de la hoja
  • Color m√°s presente en la hoja
  • N√ļmero de hojas
  • Di√°metro del tronco

Feature Vectors
Es la representación numérica de los aspectos relevantes del algoritmo. Es importante discernir bien los datos que son relevantes de los que no son relevantes. Recuerda que si alimentamos el programa con datos basura obtendremos basura (GIGO)
Ejemplos:

  • Procesamiento de im√°genes: [gradientes, borde, colores, etc]
  • Reconocimiento de voz: [distancia entre sonidos, nivel de sonido, raz√≥n ruido/se√Īal, etc]

Color, Forma, Tama√Īo, Hojas

Yo crearía mi vector con los siguientes valores:
Largo del tronco
Geolocalización
Altura de la copa
Di√°metro comprimido promedio de la copa
Di√°metro del tronco
Color promedio de las hojas

Suponiendo que tenemos im√°genes donde hay arboles, y nuestro objetivo es identificar el tipo de √°rbol, creo que ser√≠a importante considerar: Relaci√≥n follaje / ramas, altura, color de hojas, color de tronco, √°rea promedio de la hoja ūü§Ē.

Features vectors.

  • Se utilizan para representar caracter√≠sticas simb√≥licas o num√©ricas llamadas features ūüĆ≤*.*
  • Permiten analizar un objeto desde una perspectiva matem√°tica ‚ěē.
  • Los algoritmos de machine learning t√≠picamente requieren representaciones num√©ricas para poder ejecutar el c√≥mputo ūüĖ•ÔłŹ.
  • Uno de los feature vectors m√°s conocidos es la representaci√≥n del color a trav√©s de RGB
    • color [R, G, B] ūüĆą
  • Es importante reconocer que elementos del vector conservar (e incorporar al algoritmo). Cuando queremos modelar la realidad, es importante identificar que es importante en la realidad ‚ú®.
  • Procesamiento de im√°genes:
    • Gradientes, bordes, √°reas. colores.
  • Reconocimiento de voz:
    • Distancia de sonidos, nivel de ruido, raz√≥n ruido / se√Īal, etc.
  • Spam:
    • Direcci√≥n IP, estructura del texto, frecuencia de las palabras, encabezados.
  • Todos los algoritmos ya est√°n en librer√≠as, nuestra tarea es pensar mucho el problema y resolverlo de manera √≥ptima utilizando estas herramientas ‚öôÔłŹ.

Se me ocurrió modelar un reloj de pared jaja:
Feature vectors para un reloj de pared:

  • Di√°metro
  • N√ļmeros a la vista. (Ej: 12, 3, 6, 9) o (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12)
  • Minutero
  • Segundero
  • Hora
  • Cantidad de engranajes
  • bater√≠as o autom√°tico (1 o 0)

Es importante pensar en caracteristicas que diferencien el objeto de su entorno

En el caso del arbol, puede que el color no sea tan relevante, pues se puede confundir con el cesped.
Puede que caracteristicas geometricas nos ayuden:

Detección del tronco por medio de la deteccion de bordes y lineas paralelas.
Y relación de ese tronco con respecto al limite superior del objeto.

Mi objetivo en esta ruta es aprender mejores técnicas para el control de un vehículo autónomo que desarrollo y para modelar este empleo variables como:
Posición del pedal de freno, posición del aclarador, velocidad en la que se encuentra, angulo del volante, orientación del vehículo, entre otros.

Se puede utilizar un feature vector para modelar una h√©ilce de dron pensando en optimizar los par√°metros que afecten su desempe√Īo de tal o cual forma, seg√ļn el objetivo que se desee.
Por ejemplo:
[ Díametro,
Velocidad de giro,
Empuje,
Nivel de Ruido a Velocidad Nominal ]

En mi tesis sobre redes neuronales apliqué el siguiente criterio para el llenado de botellas:
*Tama√Īo de la botella
*Forma
*Nivel de llenado: Bajo, medio, alto

Por ejemplo para programar una aplicación que pueda predecir el tiempo seria algo como:

  • velocidad del viento
  • nivel de humedad en el ambiente
  • la sensaci√≥n t√©rmica
  • y datos arrojados por sat√©lites a cerca de la direcci√≥n y trayectoria de las nubes por medio de las coordenadas geogr√°ficas.

En el caso de un auto, podríamos entre muchas formas, perfilarlo y convertirlo en un feature vectors , de la siguiente manera:

[marca, modelo, a√Īo, tipo, tipo motor, cilindraje_motor, segmento, tipo_caja, largo, ancho, alto, frenos, tamano_llantas, cantidad_llantas ]

Para modelar un árbol podríamos utilizar los siguientes feature vectors:

  • Color de las Hojas.
  • Color del tronco.
  • Altura total.
  • Profundidad de la raiz.
  • Frutos (si/no)

Se me ocurre también el caso en que queramos encontrar las características más importantes de un monumento. Una aplicación podría ser clasificar imagenes tomadas de la misma estatua desde diferentes puntos de vista en base a los vectores de características extraídas de una imagen de entrenamiento.

  • Esquinas.
  • Contornos.
  • Color.
  • Altura Total.
  • Ancho Total.

Podríamos identificarlos visualmente en la siguiente imagen.

Para el ejemplo de un árbol mi vector sería:

  • Tama√Īo de tronco
  • Hojas
  • Ramas
  • Altura

Pensaría en las siguientes features:
Color del tronco
Altura del tronco
Di√°metro del tronco
Color de las hojas
Anchura de las hojas
Largo de las hojas
Tama√Īo de los frutos
Color de los frutos
Altura del √°rbol
Anchura del √°rbol
Etiqueta con nombre o tipo de arbol

Vector para modelar casa:

<h1>habitaciones</h1>

#√Ārea que ocupa en m^2
#Ventanas
#puertas

Arbol = [tipo de clima, zona geografica, tipo de ecosistema, tipo de madera, tipo de hoja]

Vector de √°rbol:
Color [0-255]
Cónico [0]
Cilíndrico [1]
Elíptico [2]
Altura promedio [float]
Caduco [0-1]

Para modelar el √°rbol se me ocurre:

  • Tiempo de crecimiento.
  • Forma de la hoja.
  • Color de la hoja.
  • Altura.
  • Tiempo de vida.
  • Ancho del tronco.

De verdad que creo que no es tan sencillo, ya que hay que tener muchas consideraciones.
Tama√Īo, tipo de tronco, tipo de hojas, ra√≠ces, frutos, y creo que muchas m√°s.
Para aventurarse a armarlo habría que contar con conocimiento botánico.
Se que es viable, dado que existe la app que lo hace al fotografiar la hoja de una planta. Pero creo que debe tener m√°s consideraciones que las que se me pueden ocurrir.
Ni hablar la variabilidad de la estaci√≥n del a√Īo, dado que no es algo que se mantiene igual todo el a√Īo.

Cantidad de ramas, di√°metro de tronco, color de hojas, color de tronco, altura de copa, altura de tronco.

Nos podemos plantiar primero la siguiente pregunta, si queremos clasificar el arbol segun los valores de nuestro vector o como salida que deseamos como regresión, con esto en cuenta modelamos,
algun algoritmo de regresion o de clasifiación.

Tama√Īo, capacidad de vuelo, velocidad altura y orientaci√≥n

esto seria en mi caso de poder desarrollar un drone autónomo para entregas de paqueteria

altura, raiz, tipo de hoja , color de la hoja, frutos, tama√Īo del fruto

Para modelar numeros escritos a numeros digitales:

  • Altura
  • Ancho
  • Grosor
  • Tipos de Numeros
  • Existen 10 numeros: 0,1,2,3,4,5,6,7,8,9

√Ārbol:

  • Color: Verde, Caf√©, (a veces colores amarillos)
  • Forma: Forma tronco -> Limites laterales del tronco
    Forma follaje -> Formas del follaje

arbol = tama√Īo del arbol, forma de hoja, color de hojas, clima donde esta el arbol

Vectores para poder identificar arboles:

  • Altura
  • Colores
  • Textura
  • Anchura
  • Forma de la hoja
  • Cantidad de ramas

Vectores para identificar un √°rbol (que se me ocurren):

  • Color

  • Tama√Īo

  • Forma

  • Material

  • Geograf√≠a

arbol = [ trongo, hojas, altura]

Altura, color del tronco, grosor del tronco, color y tipo de hojas, si tiene frutos o no

Altura, forma de la hoja, color de la hoja, localizacion del arbol.

crear algoritmos de maching learning es una t√©cnica quir√ļrgica

Yo incluiria:

  1. Altura del tronco.

  2. Tama√Īo de hojas.

  3. Color de hojas.

Vector de un Perro:

  • Edad
  • Altura
  • Peso
  • Color

Vector:
Altura.
Anchura.
Región Geográfica.
Forma o figura del √°rbol.
Floraci√≥n. (√Čpoca dende se produce).
Densidad.
Colores.
Forma de la hoja.

hojas = importa
tronco= importa
frutos= importa
raiz=no importa
suelo=no importa

Excelente explicaci√≥n de features para procesamiento de im√°genes, voz y correos electro¬īnicos. Muy ilustrativo para programar

Tomaría el color del tronco, color de las hojas, altura del árbol, zona geográfica.

Arbol = [Tronco, frutal o no frutal, color hojas, altura]

saber mat es una super ayuda

forma color y altura

Caracteristicas de un módulo fotovoltaico:

-Tipo de celdas (mono - poli cristalinos, amorfo)
-Dimensiones (cm): largo, ancho, espesor
-Peso (kg)
-Potencia maxima (W)
-Tension circuito abierto (Voc)
-Corriente cortocircuito (Isc)
-Eficiencia (%)
-Tensión máxima del sistema (Vmax)

Para modelar la red de transporte:
Nodos
Links

Proporción de color verde con el color marrón
Encerrar las partes verdes y marrón de la imagen y su alineación (que abajo esté el tronco y arriba las hojas)
espectro de colores que puede tener un √°rbol

Arbol = [hojas, corteza, altura, sexo]

Aunque pueda a algunos llamar la atenci√≥n los arboles con ‚Äúsexo‚ÄĚ existen. Un ejemplo de esto es el √°rbol de palta ya que para poder hacer mas necesitan de un √°rbol que fertilice las semillas y otro que tengas las semillas.

Color de la madera, color de las hojas, alto, ancho.

Vectores relevantes para modelar un arbol.

  • Espacion geografico
  • Clima
  • Tipo de arbol
  • Altura
  • Estado

Para un árbol creo que sería importante tomar en cuenta:

  • Hoja: tama√Īo y color(el color es un poco enga√Īoso porque dependiendo de la estaci√≥n este podr√≠a cambiar).
  • Tallo: Dimensiones
  • Ramas
  • Localizaci√≥n del √°rbol, ya que esto te permitir√≠a descartar tipos de √°rboles parecidos pero que no se pueden dar en esa zona en especifico.

Comprador / no comprador :
[ cantidad_compras_anteriores, fecha_ultima_compra, monto_ultima_compra, monto_total_comprado, fecha_registro ]

√Ārbol: -Altura
-masa promedio de una hoja
-Escala de grises del color de la hoja
-Escala de grises del color del tronco
-masa del tronco
-centro de gravedad
-Radio de tronco

√Ārbol:
-Altura total
-Altura tronco
-Profundidad tronco
-Profundidad hojas
-Color hojas
-Color tronco

tiene o no tronco,
tiene o no hojas,
su altura es > x,
el grosor de su tronco es > x,

A trav√©s del algoritmo de la trasformada r√°pida de Fourier puedes procesar una se√Īal (sonido) para conocer sus frecuencias y as√≠ eliminar el ruido presente en ella.

Hojas, color de hojas, tama√Īo, color del tallo.

Para modelar un √°rbol me imagino que sera importante saber:
*Altura del √°rbol
*Forma de la copa del √°rbol
*Que porcentaje de la altura total del árbol es ocupada por la copa, quizá permitiría diferenciar entre un pino y un sauce
*Si da o no frutos y de que tipo
*Espectro de verde del √°rbol

Altura del √°rbol
Di√°metro del tronco
Forma del tronco
con estos datos podemos cubicar el √°rbol, volumen de madera.

Aquí entra mucho de lo de la programación dinámica

√Ārbol = [ Altura desde la base hasta el final de la copa, di√°metro tronco (concibiendo que sea uniforme), ancho de la copa, a√Īos aproximados, geolocalizaci√≥n ]

Altura de tronco
Di√°metro del tronco
Envergadura de la raíz
Envergadura de las ramas
Di√°metro de la hoja
Di√°metro de la copa

Variables a expresar de forma numérica para diferenciar arboles:
bordes, colores, estructura de la imagen

Color, Tama√Īo, Figura, Ancho

tama√Īo,hojas,tronco, color, edad

Altura, grosor, forma de las hojas, temperaturas a las que crece

Características de árbol:
Color de hoja, diámetro de tronco, altura de tronco, forma de hoja, tipo de fruto, tipo de raíz, color de tronco, forma de copa, tipo de rama.

Altura
Tipo
Tiempo Vida
Ancho
Forma hoja
Diámetro Raíz
Fruto
Clima propicio

Ecosistema == [‚Äúsuelo‚ÄĚ, ‚Äúclima‚ÄĚ, ‚Äúgrado de iluminaci√≥n‚ÄĚ]

Altura, tama√Īo de las hojas, circunferencia del tronco.

tama√Īo, region, color y tipo de hoja,

Hola,

Para modelar un Arbol yo revisaría:

  • Altura
  • Color de las hojas
  • Si tiene frutos
  • Altura actual
  • Tiempo que lleva sembrado

Respecto a la identificación de un árbol, se podría partir de la base del Iris Data set, en otras palabras con relaciones morfológicas del árbol. (i.e.: Largo y ancho copa, largo y ancho tronco) Además, si se analizara la hoja, quizás de podría inferir qué árbol es sin necesidad de conocer lo anterior, sino la hoja.

Identificar Arboles

  • Altura y di√°metro del tronco
  • Zona geogr√°fica
  • √Čpoca del a√Īo
  • Color de la hoja
  • Color del tronco

Tipo de Hoja, fruto, flor y semilla, altura máxima del suelo, copa, ramas , yemas … Color y forma de cada característica …

Para Modelar la elección del modo de viaje:
genero
edad
Motivo
ocupación
formación
estrato
tiempo de viaje
distancia recorrida
Hora de salida
Modos disponibles para la elección.
Tarifa si es transporte p√ļblicos
costo por km si es transporte privado
Variables de percepción:
-Comodidad
-Seguridad
-Confiabilidad

Geolocalizacion del arbol
Altura total del arbol
Diametro del tronco
Tama√Īo de las ramas y hojas
Tipo de Hojas / raiz / Tallo
Fecha De la imagen (para saber como se comporta en diferentes estaciones en caso de que existan)

Para modelar el arbol

  • Diametro del tronco
    -Color del tronco
    -Altura de tronco
    -Altura de la copa
    -Diametro de la copa
    -color de hojas
    -Forma de hoja
    -Diametro de ramas
    -Largo de ramas
    -Diametro de ramitas
    -Largo de ramitas
    -Tiempo de vida

√Ārbol:
_Familia de √°rbol;
_altura copa;
_di√°metro tronco;
_RGB de hojas y tronco;

raiz, altura, copa, hoja, color, tronco.

El ventor que yo elijo para modelar un √°rbol es el siguiente:

  1. Raíz, la parte del árbol que no vemos.
  2. Tronco, la estructura principal de soporte.
  3. Ramas, estructura que soporta hojas.
  4. Hojas, me indicar√° la cantidad de hojas por rama.

Podr√≠a asignar un n√ļmero de 0 a 255 en cada posici√≥n del vector. Esta escala me dar√≠a la intensidad de esa caracter√≠stica, por ejemplo ra√≠ces peque√Īas y poco profundas, hasta ra√≠ces grandes y muy profundas. Un tronco delgado y corto, pasando por un tronco delgado y largo, y terminando en tronco ancho y largo, tipo Secuoya. Y as√≠ con ramas y hojas.

Vector de arboles

  • Tipo de silueta tronco
  • Tipo de ramificaci√≥n
  • Tipo de forma
  • Color
  • Densidad
  • Tipo de textura

Vector para detectar un árbol sería mediante procesamiento de imagen imagino y lo enfocaría a:

  • Color del follaje
  • √Ārea del follaje
  • Color del tronco
  • √Ārea del tronco
  • √Ārea total (follaje + tronco)
  • % del √°rea del follaje sobre el √°rea total
  • % del √°rea del tronco sobre el √°rea total

Abstracción de un auto

Arbol=[color_tallo, altura, color_hoja,ramas, textura_tallo, forma_copa]

Profundidad raíces, altura del tallo, color de las hojas, especie, numero de ramas, tipo de fruto

Arbol: forma, color, familia, tipo, peso

Para poder responder a el reto pense en las cosas que diferencian a un árbol del resto de vegetación similar, de esta manera tendría más presentes sus rasgos característicos. También pensé que características tendria que incluir para poder reproducir cualquier tipo de árbol, como un pino, un árbol de manzanas, etc.
Creo que su feature vector estaría compuesto de:

  • Altura total del √°rbol (dado que alguno pueden ser m√°s altos que otros).
  • Di√°metro de la copa (dado que unos pueden abarcar m√°s espacio que otros).
  • Di√°metro del tronco
  • Hojas.

Yo creo que para el problema propuesto de identificaci√≥n de arboles podr√≠amos empezar por definir de la manera mas conceptual y abstracta posible ¬Ņque es un √°rbol?, si solamente es un tronco, o un tranco con ramas y hojas, ¬Ņde que color deben ser esas hojas?, una vez teniendo eso en cuento y describiendolo a nuestro programa podr√≠amos apoyarnos en la Taxonom√≠a, para poder diferenciar entre familias, genero, especies, etc; √Čstas diferencias vendr√≠an desde color de hojas, dimensi√≥n del tronco, ¬Ņtiene flores?, como luce en cada estaci√≥n del a√Īo, etc.

Lo modelaría con color (para que quede numérico usaría el parámetro que propuso David sobre R,G B), altura, tipo de hojas y diámetro de tronco