No tienes acceso a esta clase

¡Continúa aprendiendo! Únete 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 información tienen que quedar números.
Vector:
Altura total del árbol (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 investigación que se realicen para determinar como modelar algo. E.g. Si quiero modelar un árbol debo preguntarme ¿que es aquello que quiero modelar del árbol? ¿Quiero problema quiero resolver? ¿Quiero modelar la forma física del árbol para clasificarlo? ¿Para ello valdría la pena modelar todo el árbol o simplemente las ojas y el diametro del tronco? ¿Necesito más información para hacer el modelo?

Antes de hacer cualquier modelo, cuestionarse hasta más 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 más blancos en las radiografías 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.
  • Diámetro [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 matemática.
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 “relevantes”, lo más 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 útiles para el caso que tenemos delante.

No podemos describir sus cosas menos útiles, ya que es información que esta de mas y por lo tanto habrá 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 construcción tiene 2 colores sin mas parámetros, 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 estaríamos metiendo “ruido” (valores inútiles que solo hacen que el resultado sea erróneo) 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 dendrología que es a ciencia y el estudio de las plantas leñosas (árboles y arbustos). Se toma característica vegetativa y si conocemos la familia de nuestro especie, reducimos el número 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 látex o sin látex
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 información que ayude a describir el árbol sin tener en cuenta si es un árbol de 1 año o de 30 años, por lo tanto, el tamaño no lo consideraría, una característica que no cambia mucho en el tiempo es la hoja. Me concentraría en crear un vector que describa la hoja:

  • forma

  • borde

  • venación o nervadura

Árbol = [Forma, color]

Comprobación: Con esto ya puedes identificar un árbol.

Feature vectors para determinar que un árbol es de cierta especie:

  • Silueta de la hoja
  • Color más presente en la hoja
  • Número de hojas
  • Diámetro 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 imágenes: [gradientes, borde, colores, etc]
  • Reconocimiento de voz: [distancia entre sonidos, nivel de sonido, razón ruido/señal, etc]

Color, Forma, Tamaño, Hojas

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

Suponiendo que tenemos imágenes donde hay arboles, y nuestro objetivo es identificar el tipo de árbol, creo que sería importante considerar: Relación follaje / ramas, altura, color de hojas, color de tronco, área promedio de la hoja 🤔.

Features vectors.

  • Se utilizan para representar características simbólicas o numéricas llamadas features 🌲*.*
  • Permiten analizar un objeto desde una perspectiva matemática ➕.
  • Los algoritmos de machine learning típicamente requieren representaciones numéricas para poder ejecutar el cómputo 🖥️.
  • Uno de los feature vectors más conocidos es la representación del color a través de RGB
    • color [R, G, B] 🌈
  • 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 ✨.
  • Procesamiento de imágenes:
    • Gradientes, bordes, áreas. colores.
  • Reconocimiento de voz:
    • Distancia de sonidos, nivel de ruido, razón ruido / señal, etc.
  • Spam:
    • Dirección IP, estructura del texto, frecuencia de las palabras, encabezados.
  • Todos los algoritmos ya están en librerías, nuestra tarea es pensar mucho el problema y resolverlo de manera óptima utilizando estas herramientas ⚙️.

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

  • Diámetro
  • Números 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
  • baterías o automático (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 héilce de dron pensando en optimizar los parámetros que afecten su desempeño de tal o cual forma, según 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:
*Tamaño 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 sensación térmica
  • y datos arrojados por satélites a cerca de la dirección y trayectoria de las nubes por medio de las coordenadas geográficas.

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

[marca, modelo, año, 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:

  • Tamaño de tronco
  • Hojas
  • Ramas
  • Altura

Pensaría en las siguientes features:
Color del tronco
Altura del tronco
Diámetro del tronco
Color de las hojas
Anchura de las hojas
Largo de las hojas
Tamaño de los frutos
Color de los frutos
Altura del árbol
Anchura del árbol
Etiqueta con nombre o tipo de arbol

Vector para modelar casa:

<h1>habitaciones</h1>

#Área que ocupa en m^2
#Ventanas
#puertas

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

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

Para modelar el árbol 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.
Tamaño, tipo de tronco, tipo de hojas, raíces, frutos, y creo que muchas más.
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 más consideraciones que las que se me pueden ocurrir.
Ni hablar la variabilidad de la estación del año, dado que no es algo que se mantiene igual todo el año.

Cantidad de ramas, diámetro 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.

Tamaño, capacidad de vuelo, velocidad altura y orientación

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, tamaño 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

Árbol:

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

arbol = tamaño 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 árbol (que se me ocurren):

  • Color

  • Tamaño

  • Forma

  • Material

  • Geografía

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 técnica quirúrgica

Yo incluiria:

  1. Altura del tronco.

  2. Tamaño de hojas.

  3. Color de hojas.

Vector de un Perro:

  • Edad
  • Altura
  • Peso
  • Color

Vector:
Altura.
Anchura.
Región Geográfica.
Forma o figura del árbol.
Floración. (Época dende se produce).
Densidad.
Colores.
Forma de la hoja.

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

Excelente explicación de features para procesamiento de imágenes, voz y correos electro´nicos. 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 árbol

Arbol = [hojas, corteza, altura, sexo]

Aunque pueda a algunos llamar la atención los arboles con “sexo” existen. Un ejemplo de esto es el árbol de palta ya que para poder hacer mas necesitan de un árbol 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: tamaño y color(el color es un poco engañoso porque dependiendo de la estación este podría cambiar).
  • Tallo: Dimensiones
  • Ramas
  • Localización del árbol, ya que esto te permitiría descartar tipos de árboles 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 ]

Árbol: -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

Árbol:
-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 través del algoritmo de la trasformada rápida de Fourier puedes procesar una señal (sonido) para conocer sus frecuencias y así eliminar el ruido presente en ella.

Hojas, color de hojas, tamaño, color del tallo.

Para modelar un árbol me imagino que sera importante saber:
*Altura del árbol
*Forma de la copa del árbol
*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 árbol

Altura del árbol
Diámetro del tronco
Forma del tronco
con estos datos podemos cubicar el árbol, volumen de madera.

Aquí entra mucho de lo de la programación dinámica

Árbol = [ Altura desde la base hasta el final de la copa, diámetro tronco (concibiendo que sea uniforme), ancho de la copa, años aproximados, geolocalización ]

Altura de tronco
Diámetro del tronco
Envergadura de la raíz
Envergadura de las ramas
Diámetro de la hoja
Diámetro de la copa

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

Color, Tamaño, Figura, Ancho

tamaño,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 == [“suelo”, “clima”, “grado de iluminación”]

Altura, tamaño de las hojas, circunferencia del tronco.

tamaño, 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 diámetro del tronco
  • Zona geográfica
  • Época del año
  • 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 públicos
costo por km si es transporte privado
Variables de percepción:
-Comodidad
-Seguridad
-Confiabilidad

Geolocalizacion del arbol
Altura total del arbol
Diametro del tronco
Tamaño 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

Árbol:
_Familia de árbol;
_altura copa;
_diámetro tronco;
_RGB de hojas y tronco;

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

El ventor que yo elijo para modelar un árbol 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 indicará la cantidad de hojas por rama.

Podría asignar un número de 0 a 255 en cada posición del vector. Esta escala me daría la intensidad de esa característica, por ejemplo raíces pequeñas y poco profundas, hasta raíces 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 así con ramas y hojas.

Vector de arboles

  • Tipo de silueta tronco
  • Tipo de ramificación
  • 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
  • Área del follaje
  • Color del tronco
  • Área del tronco
  • Área total (follaje + tronco)
  • % del área del follaje sobre el área total
  • % del área del tronco sobre el área 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 árbol (dado que alguno pueden ser más altos que otros).
  • Diámetro de la copa (dado que unos pueden abarcar más espacio que otros).
  • Diámetro del tronco
  • Hojas.

Yo creo que para el problema propuesto de identificación de arboles podríamos empezar por definir de la manera mas conceptual y abstracta posible ¿que es un árbol?, si solamente es un tronco, o un tranco con ramas y hojas, ¿de que color deben ser esas hojas?, una vez teniendo eso en cuento y describiendolo a nuestro programa podríamos apoyarnos en la Taxonomía, para poder diferenciar entre familias, genero, especies, etc; Éstas diferencias vendrían desde color de hojas, dimensión del tronco, ¿tiene flores?, como luce en cada estación del año, 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