Técnicas de ap endizaje pa a la
iden i icación de apaces po es os óseos
Maching Lea ning echniques o he
iden i ica ion o ap o s by skele al emains
Po
Paula Sánchez de la Nie a Gómez
G ado en Ingenie ía del So wa e
Facul ad de In o má ica
Di igido po
Yolanda Ga cía Ruiz
Mad id, 2020–2021
Ag adecimien os
A mi amilia, a mis amigas y compañe os de la uni e sidad, g acias po el apoyo y los
ánimos du an e odos es os años.
A Pila Gama a, po mo i a me, po enseña me lo que algo y po con ia en mí más
que yo misma.
A mi u o a Yolanda Ga cía Ruiz, po acompaña me y ayuda me en odo momen o. Y a
Luis Re uel a Rueda po pensa en mí pa a es e p oyec o inno ado .
II
Ce i icado de pe misos
Que dispone del pe miso de u ilización de los da os incluidos en la base de da os
(Núme o de egis o 49/437736.9/21, Fecha: 06/07/2021 11:56).
Que el egis o del p og ama es á en p oceso de pa en e.
III
Índice gene al
Página
1. In oducción 1
1.1. Mo i ación .................................. 1
1.2. Obje i o.................................... 2
1.3. Plande abajo................................ 2
2. Machine Lea ning 5
2.1. ¿Qué es el Machine Lea ning? . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Ap endizaje Máquina Supe isado . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1. Algo i mos Ap endizaje Supe isado . . . . . . . . . . . . . . . . 7
2.3. Ap endizaje Máquina No supe isado . . . . . . . . . . . . . . . . . . . . 8
2.3.1. Algo i mos Ap endizaje No Supe isado . . . . . . . . . . . . . . 9
2.4. Ap endizaje Máquina po Re ue zo . . . . . . . . . . . . . . . . . . . . . 10
3. P edicción de ipo de a e 12
3.1. Ma e ialesymé odos............................. 12
3.1.1. Ma e iales............................... 12
3.1.2. Mé odos................................ 12
3.2. Compa a i a de los algo i mos del Da aSe . . . . . . . . . . . . . . . . . 14
4. He amien a de desa ollo 16
4.1. P uebas de a qui ec u a . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2. A qui ec u a ................................. 19
4.3. Implemen ación................................ 20
4.3.1. Backed ................................ 20
4.3.2. F on ed ................................ 22
4.4. Despliegue................................... 22
4.5. He amien as de abajo . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5. Desc ipción de la aplicación web 24
5.1. Análisis de la compe encia . . . . . . . . . . . . . . . . . . . . . . . . . . 24
5.2. Escena iosdeuso............................... 24
5.3. Requisi os uncionales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.4. In e azdeusua io .............................. 26
5.4.1. In e az P incipal . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.4.2. In e az Iden i icación . . . . . . . . . . . . . . . . . . . . . . . . 26
5.4.3. In e azCon ac o........................... 27
5.4.4. In e azRecu sos........................... 29
5.5. Na egación en e in e aces . . . . . . . . . . . . . . . . . . . . . . . . . 29
IV
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
6. Conclusiones 32
6.1. T abajo u u o ................................ 32
7. Bibliog a ía y enlaces de e e encia 36
V

Resumen
Ac ualmen e, en un mundo an comp ome ido po la conse ación del medio ambien-
e, apa ecen muchas inicia i as e incluso modos de ida pa a sal a el plane a, cuida la
Tie a y acciones de ce o emisiones con aminan es. En es e p oyec o que emos cen a nos
en la conse ación de los ecosis emas au óc onos.
El p oyec o su ge de la necesidad de econoce los es os óseos de a es mue as que se
encuen an en nues a geog a ía, de o ma ápida y e icaz. La de e minación de la especie
a pa i de los es os óseos es de g an ayuda a las au o idades pe inen es, ya que les
pe mi e man ene una es adís ica ac ualizada y co ec a de la población de a es y de e -
mina los impac os medioambien ales que conlle a la humanización de los e enos.
La aplicación se ocaliza en la iden i icación de a es apaces emblemá icas a pa i de sus
es os óseos, pe mi iendo su uso a cualquie usua io con acceso a in e ne .
Palab as cla e
A es
Rapaces
Ap endizaje Máquina
Aplicación web
Py hon
F amewo k
Django
VI
Abs ac
Nowadays, in a wo ld so commi ed o en i onmen al conse a ion, he e a e many ini ia-
i es and e en ways o li e o sa e he plane , ake ca e o he Ea h and ze o pollu ing
emissions ac ions. In his p ojec we wan o ocus on he conse a ion o na i e ecosys-
ems.
The p ojec a ises om he need o ecognise he skele al emains o dead bi ds ound in
ou geog aphy, quickly and e icien ly. De e mining he species om he skele al emains
is o g ea help o he ele an au ho i ies, as i allows hem o keep up- o-da e and co-
ec s a is ics on he bi d popula ion and o de e mine he en i onmen al impac o he
humanisa ion o he land.
The applica ion ocuses on he iden i ica ion o emblema ic bi ds o p ey om hei ske-
le al emains, allowing i s use by any use wi h in e ne access.
Key wo ds
Bi ds
Rap o s
Machine Lea ning
Web aplica ion
F amewo k
Py hon
Django
VII
Capí ulo 1
In oducción
1.1. Mo i ación
En España exis en 622 especies de a es, con i iéndose en el segundo país con más bio-
di e sidad de a es en Eu opa [1], solamen e supe ado po Rusia. Es e abajo se cen a
en las a es apaces emblemá icas, ca ac e izadas po su pico cu ado, sus ga as, sus po-
en es músculos en las pa as y po que suelen se de g an amaño, que se encuen an en
nues o país. Además, en España desde el 23 de julio de 1966 en el Bole ín O icial del Es-
ado de ley se es ableció la p o ección legal de odas las a es apaces, diu nas y noc u nas.
Aunque es as ci as sean posi i as, no debemos elaja nos con la conse ación de és as y
el es o de especies a ia es, ya que la humanización de los e enos p o oca la mue e de
muchas de es as a es. Se ha demos ado que la p incipal causa de mo alidad no na u-
al de muchas a es apaces es po elec ocución, a causa de las líneas eléc icas que no
cumplen las ca ac e ís icas écnicas exigidas po el Real Dec e o 1432/2008 po el cual se
es ablecen medidas pa a la p o ección de la a i auna con a la colisión y la elec ocución
[2]. Además, hay que ene en cuen a ambién la caza ilegal de a es, en el que el g upo
más a ec ado son las a es apaces. En España es os da os son c í icos e impide en muchos
casos la ecupe ación de es as a es. Es necesa io e e i es a si uación, pa a ga an iza la
ecupe ación de es as especies y el man enimien o del ecosis ema, ya que, la conse ación
de las a es apaces es cla e.
En esumen, en muchos casos no es ácil de e mina la causa de la mue e de las a es,
esul a muy ú il conoce el núme o de a es que apa ecen mue as en nues os campos, así
como su especie. Sin emba go, de e mina la especie de un a e no es a ea ácil, incluso
pa a aquellos que se conside an expe os en el ema. Es o es debido a que en muchos
casos solo se dispone de esquele os (uno o a ios huesos) encon ados en el campo po
caminan es, pas o es y/o u is as. En e las a iables que pe mi en de e mina el ipo
de a e, se encuen an las elacionadas con la isionomía de los huesos, y en pa icula su
amaño. Dispone de una aplicación que pe mi a egis a los ipos de huesos encon ados
así como sus medidas, pe mi i á p edeci de o ma au omá ica el ipo de a e pa a su
egis o. En es e sen ido, las ecnologías ac uales y el hecho de que p ác icamen e odo
el mundo disponga de un disposi i o mó il con acceso a in e ne en cualquie pun o
geog á ico, p opo cionan una solución iable.
1
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
1.2. Obje i o
Desa olla una aplicación web que pueda u iliza cualquie usua io que enga acceso a
in e ne , desde sus mó iles, able as u o denado es y que ayude en la labo de iden i ica
las di e en es especies de a es apaces emblemá icas a a és de sus es os óseos.
Obje i o 1. De ini un modelo p edic i o pa a de e mina el ipo de a e apaz a pa i
de un algo i mo de Ap endizaje Máquina (Machine Lea ning en inglés).
Obje i o 2. Desa olla una aplicación web donde se incluya el modelo p edic i o con una
in e az in ui i a pa a el usua io, en la cual se mos a án los esul ados de la p edicción.
1.3. Plan de abajo
La o ganización de es e p oyec o cons a de una se ie de e apas.
1. Es udio de dis in os algo i mos de Machine Lea ning, supe isado y no supe isado,
con la pos e io compa ación en e ellos pa a de e mina el más ap opiado pa a el p o-
yec o.
2. Implemen ación de dis in os modelos de Machine Lea ning en el lenguaje Py hon pa a
es udia y compa a su e iciencia.
3. In es igación de las dis in as ecnologías web, eligiendo aquella que se adap ó mejo
al Modelo Vis a Con olado (MVC) y a la uni icación en e el algo i mo implemen ado
y el con olado de la página web.
4. Implemen ación de la página web.
5. Desa ollo del diseño de las in e aces de la aplicación web.
6. Despliegue de la aplicación web en un se ido .
2
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Figu a 2.5: Ejemplo Random Fo es gene alizado. (Fuen e: h ps://www.da acamp.com/
communi y/ u o ials/ andom- o es s-classi ie -py hon)
delimi a lo máximo posible el esul ado inal.
El ap endizaje no supe isado se di ide en dos g andes g upos dependiendo de la o ma
en la que se a en los da os de en ada:
P oblemas de ag upación o clus e ing: Basados en el ag upamien o de ca ac e-
ís icas según unas simili udes, que pueden ene o no un sen ido. Son muy u ilizados
en los sis emas de ecomendación.
P oblemas de educción de la densidad: Técnicas ma emá icas y es adís icas
pa a ans o ma el conjun o de da os o iginal en un nue o conjun o de da os con
una dimensión más pequeña a cambio de cie a pé dida de in o mación. Se u ilizan
pa a ep esen a de una o ma más isual y sencilla los da os.
2.3.1. Algo i mos Ap endizaje No Supe isado
K-Medias (K-Means). El algo i mo KMedias es muy ácil de implemen a y muy
e icien e compu acionalmen e. És as son las p incipales azones de su popula idad.
Sin emba go, pa a los g upos no es é icos, la iden i icación de clases no es muy
buena.
El algo i mo KMeans iene como obje i o encon a y clasi ica pun os de da os
que son muy simila es en e sí. Cuan o más ce ca es én los pun os de da os en e
sí, es más p obable que pe enezcan al mismo g upo.
Ag upación je á quica. Al e na i a al algo i mo K-Means, is o en el apa ado
2.3.1. Es e algo i mo, se ca ac e iza po no se necesa ia la especi icación del núme o
9

Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Figu a 2.6: Diag ama de lujo del ap endizaje no supe isado. (Fuen e:h ps://medium.
com/soldai/ ipos-de-ap endizaje-au omá ico-6413e3c615e2)
de g upos, que su gen po la unión de las dis in as ca ac e ís icas simila es. Además,
es e algo i mo pe mi e dibuja lo con un dendog ama, éase la Figu a 2.7, diag ama
que mues a las dis ancias de las ca ac e ís icas en e cada pa de clases unidas
de mane a secuencial. Es a o ma de ep esen ación, nos pe mi e obse a que el
algo i mo se cons uye de abajo hacia a iba (bo om-up), en donde al p incipio,
cada ca ac e ís ica es un g upo, las cuales se unen según su ce canía has a que
odas las ca ac e ís icas o man pa e de un único g upo [7].
2.4. Ap endizaje Máquina po Re ue zo
El ap endizaje máquina po e ue zo es un mé odo de ap endizaje que implica ecompen-
sa los compo amien os deseables y cas iga los no deseados. Al aplica es e en oque, los
agen es pueden econoce e in e p e a el en o no, ac ua y ap ende median e p ueba
y e o . Es á ap endiendo a es ablece me as a la go plazo pa a ob ene las máximas
ecompensas gene ales y las soluciones óp imas. (Véase la Figu a 2.8).
Una de las á eas más popula es pa a p oba el ap endizaje po e ue zo es el juego.
AlphaGo o Pacman son juegos que aplican es a écnica. En es os casos, el algo i mo
ecibe in o mación sob e las eglas del juego y ap ende a juga po su cuen a. Funciona
de o ma alea o ia al p incipio, pe o con el iempo comienza a ap ende mo imien os más
complejos. Es e ipo de ap endizaje ambién se aplica a o os campos como la obó ica,
la elación calidad-p ecio y los sis emas de con ol.
10
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Figu a 2.7: Ejemplo dendog ama. (Fuen e: h ps://www.jacobso .com.mx/es_mx/
clus e ing-je a quico-con-py hon/)
Figu a 2.8: Diag ama de lujo del ap endizaje po e ue zo. (Fuen e: h ps://medium.
com/soldai/ ipos-de-ap endizaje-au omá ico-6413e3c615e2)
11
Capí ulo 3
P edicción de ipo de a e
En es e capí ulo se a a hace una desc ipción de allada del algo i mo de p edicción del
ipo de a es apaces emblemá icas compa ándolo con dis in os modelos de ap endizaje
máquina supe isado.
3.1. Ma e iales y mé odos
A con inuación, se an a p esen a los ma e iales u ilizados pa a la ealización de la
p edicción y los dis in os mé odos que hemos enido en cuen a al compa a los di e en es
modelos supe isados.
3.1.1. Ma e iales
Base de da os
La base de da os, núme o de egis o 49/437736.9/21, u ilizada pa a la compa ación de
los algo i mos supe isados, ha sido p opo cionada po Víc o Ga cía Ma a anz agen e
o es al del Minis e io pa a la T ansición Ecológica y el Re o Demog á ico (MITECO) y
Luis Re uel a Rueda. La elabo ación de es a base de da os, ue ealizada po ellos mismos
g acias a la ob ención de dis in os esquele os p i ados y de di e en es museos de España,
pe mi iendo que Víc o Ga cía Ma a anz los e i icase como especialis a que es.
La base de da os, es un a chi o excel, en el que se ecogen ein iséis especies di e en es
de a es, el Búho Real, el Ga ilán, en e o as como se puede obse a en la Figu a 3.3.
Las especies o man las ilas, mien as que las columnas son los ocho huesos más ep e-
sen a i os en el esquele o de un a e apaz, ( c áneo, húme o, adio, cúbi o, coxal, ému ,
ibio a so, a some a a so), en la base de da os se p esen an once columnas, ya que el
hueso del c áneo y del coxal se deben medi en longi ud y anchu a.
En la Figu a 3.1 se mues a un ex ac o de la base de da os u ilizada.
3.1.2. Mé odos
Es os mé odos se án u ilizados en la compa ación de los di e en es algo i mos, sección
3.2.
12
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Figu a 3.1: Base de da os. (Fuen e: Elabo ación p opia)
O e i ing y Unde i ing
El p oblema del O e i ing, sob e-en enamien o en español, en el ámbi o del machine
lea ning consis e en el ap endizaje e óneo de nues o algo i mo con los da os suminis a-
dos, ya que és e solo p edeci á co ec amen e aquellos da os idén icos al en enamien o.
Es o p o oca que el algo i mo no sea capaz de dis ingui da os ac ibles [8].
En cambio, el Unde i ing, al a de en enamien o en español, es lo opues o al o e i ing,
ya que es e p oblema su ge cuando los da os de en enamien o del algo i mo son muy
escasos o no hay di e sidad en e ellos, p o ocando sesgos en el esul ado, excluyendo
da os álidos.
En la Figu a 3.2 se puede obse a una g á ica acla a i a del esul ado espe ado de nues-
o modelo y lo que p o oca los p oblemas de o e i ing y unde i ing.
Figu a 3.2: G á ica compa a i a del O e i ing y Unde i ing. (Fuen e: h ps://www.
ap endemachinelea ning.com/que-es-o e i ing-y-unde i ing-y-como-soluciona lo/)
Pa a e i a es os p oblemas, o que a ec en los menos posible, se ealiza á: [9]
Ob ención de una can idad su icien e de da os pa a en ena el modelo y alida lo.
Clases a iadas y balanceadas, la can idad y a iedad de clases debe se equi a i a.
Di idi el conjun o de da os en en enamien o y es .
13
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Técnica de sob e mues eo de mino ías sin é icas
Es e mé odo conocido ambién po Syn he ic Mino i y O e sampling Technique, a pa i
de aho a SMOTE pa a ab e ia , se u iliza pa a esol e el p oblema de o e i ing y un-
de i ing que puedan p esen a los modelos.
Ni esh Chawla, desc ibió es a écnica como “la elección de los da os más ce canos en el
espacio de ca ac e ís icas en e dos da os de la clase mino i a ia” [10]. Es deci , se elige
un da o “A” al aza y de los da os más ce canos a “A” se elige un “B”, se aza un
segmen o en el espacio de ca ac e ís icas en e los da os “A” y “B”, gene ando un nue o
da o “C” que pe enece á al conjun o de da os [11]. Es e mé odo se puede u iliza pa a
c ea an os da os como sean necesa ios.
En la Figu a 3.3, se obse a una g an di e encia en e la p ime a especie, la Pe dice a,
en e a la úl ima, el Ci cus Cyaneus, po an o se ealiza á un balanceamien o de las
clases pa a que odas ellas engan un con eo equi a i o, acili ando el uncionamien o de
los algo i mos.
En nues o modelo solo se aplica SMOTE a los da os de en enamien o, con el obje i o
de ene mejo es esul ados.
Figu a 3.3: Con ado del núme o de especies que apa ecen en la base de da os. (Fuen e:
Elabo ación p opia)
3.2. Compa a i a de los algo i mos del Da aSe
Se han implemen ado los algo i mos á bol de decisión, SVM y andom o es , is os en
la sección 2.2.1, pa a nues o modelo y es udia su g ado de e icacia.
14

Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Pa a ello se ha ealizado una abla 3.1 compa a i a en e los dis in os algo i mos es u-
diados y su p ecisión sin aplica SMOTE y aplicándolo.
Algo i mo sco e con SMOTE sco e sin SMOTE
Á bol de decisión 0.98 (+/- 0.03) 0.94 (+/- 0.05)
SVM 1.00 (+/- 0.00) 1.00 (+/- 0.00)
Random Fo es 1.00 (+/- 0.01) 0.98 (+/- 0.02)
Cuad o 3.1: Compa a i a de algo imos
La di e encia en e el sco e, p ecisión del algo i mo al p edeci , aplicando SMOTE y
sin aplica lo es mínima. Pa a nues a elección nos basa emos en la columna de aplica-
ción con SMOTE, pa qa e i a p oblemas de o e i ing, sección 3.1.2, en nues o modelo.
En la abla 3.1 se mues a una lige a di e encia en e el algo i mo de á bol de p ecisión y
los de SVM y Random Fo es . El á bol de decisión queda desca ado po ene un sco e
in e io al de los o os dos algo i mos, aunque la p ecidicción haya sido álida, la del es o
ue supe io .
A con inuación, se debe decidi en e u iliza el SVM y el Random Fo es . Como ambos
algo i mos ienen una p ecisión del 1.00, se decide u iliza en nues o modelo el andom
o es , po que es un mé odo p eciso, no su e de o e i ing y pa a es e modelo pa ece el al-
go i mo más adecuado, ya que el SVM no es an e icaz cuando hay muchas ca ac e ís icas
y no se puede asegu a un amplio ma gen en e los dos ec o es más ce canos.
15
Capí ulo 4
He amien a de desa ollo
Es e capi ulo a a la implemen ación de la aplicación web, desde la a qui ec u a seguida,
las ecnologías u ilizadas pa a el desa ollo backend (Django, amewo k de Py hon) y las
del on ed (HTML5, lenguaje de ma cas de hipe ex o pa a la c eación de las plan illas
web y CSS3, hojas de es ilo en cascada pa a da le o ma o, diseño y es ilo al documen o
esc i o en lenguaje de ma cado), has a las he amien as de abajo que se han u ilizado
pa a es e p oyec o.
La aplicación “Iden i icación de es os óseos de las a es apaces emblema icas” se puede
isi a en el siguien e enlace [ h p://sdelanie a.py honanywhe e.com ] y si lo que desea
es e como se ha p og amado dicha aplicación, en es e enlace encon a á el código uen e
[h ps://gi hub.com/Enolah/djangoTFG].
4.1. P uebas de a qui ec u a
Es as p uebas si en pa a conoce si las ecnologías conocidas pa a aplica se a la p o-
g amación web son iables pa a mi p oyec o. Se han desa ollado dos p o o ipos con
las mismas uncionalidades básicas (pagina de inicio con enlace a o a página donde se
implemen a el algo i mo), pa a su pos e io e aluación, donde analiza emos las pa es
posi i as y nega i as de la u ilización de dichas ecnologías. Es o pe mi e decidi cual de
las dos opciones es más iable pa a la cons ucción del so wa e.
NODE.JS + JAVASCRIPT
Ja aSc ip es un lenguaje de p og amación y sc ip ing, enca gado de da dinamis-
mo e in e ac i idad a las paginas web, complemen ándose con HTML y CSS pa a
añadi unciones a anzadas del lado clien e y así no cons ui una pagina plana
[12]. Siendo el nume o es en el índice de Popula idad PYPL de Feb e o 2021 [13],
se le conside a uno de los es lenguajes na i os de la web (HTML, CSS, Ja aSc ip ).
Node.js es un en o no en iempo de ejecución mul ipla a o ma pa a la capa del
se ido basado en Ja aSc ip . Pe o no se debe con undi con un lenguaje de p o-
g amación o amewo k (pla a o ma pa a desa olla aplicaciones so wa e), ya que
es un en o no de ejecución que se u iliza pa a ejecu a Ja aSc ip ue a del na ega-
do [14].
16
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Aunque Node.js puede u iliza se an o pa a on ed como pa a backend, en es e p o-
o ipo se u ilizó pa a cons ui el se ido de la app web, cons a de una es uc u a
“Single Th eaded E en Loops” pudiendo así maneja múl iples clien es al mismo
iempo.En la Figu a 4.1 se puede e la a qui ec u a de Node.js.
Figu a 4.1: P ocesamien o de Node.js las pe iciones en an es u ilizando el bucle de e en-
os. (Fuen e: Elabo ación p opia)
En la Figu a 4.1 se puede obse a que es un modelo de solici ud- espues a mul ihi-
lo, a ios clien es en ían una solici ud y el se ido p ocesa cada una de ellas an es
de de ol e la espues a. Sin emba go, se u ilizan múl iples hilos pa a p ocesa las
llamadas concu en es. Es os hilos se de inen en un pool de hilos, y cada ez que
llega una pe ición, se asigna un hilo indi idual pa a maneja la [14].
Po ul imo, a Node.js le añadimos una se ie de paque es, que se explica án después.
Los paque es u ilizados ue on:
1. Exp ess: F amewo k basado en el módulo de HTTP que p opo ciona la posi-
bilidad de di idi la unción callback que ges iona pe iciones HTTP en a ias
ases y mecanismos de al o ni el pa a accede a algunas componen es de la
pe ición.
2. Exp ess session: Ges iona el almacenamien o de sesiones. Es e middlewa e
añade el a ibu o sesión al obje o eques que con iene los da os de sesión
co espondien es al clien e que se es á a endiendo.
3. Body-pa se : Ob iene el cue po de la pe ición HTTP, in e p e a su con enido
y modi ica el obje o eques añadiéndole un nue o a ibu o (body).
4. Momen : Pe mi e maneja echas, es mas po en e que la clase Da e.
5. Nodemon: Moni o iza los cambios, en el momen o que de ec a un cambio
einicia el se ido .
17
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
6. Ejs: son documen os HTML con ma cado es especiales de a ios ipos. U ili-
zados en nues a aplicación como plan illas o subplan illas.
Pa a la implemen ación de la web se u ilizó EJS, el cual ambién es un lenguaje
de plan illas simples que pe mi e gene a lenguaje de ma cado como HTML con
Ja aSc ip simple. También nos pe mi e c ea subplan illa pa a no epe i código.
Es la opción mas u ilizada a la ho a de c ea una aplicación con Node.js, ya que es
muy ú il pa a gene a HTML y con enido dinámico.
Una ez que se iene una idea gene al de las ecnologías que amos a u iliza pa a
es e p o o ipo decidimos pone lo a p ueba y e alua sus en ajas y des en ajas.
•Ven ajas.
Du an e el anscu so de la ca e a he enido asigna u as que a aban es as
mismas ecnologías, sabiendo así ya u iliza las.
Hay mucha documen ación e in o mación pa a c ea una pagina web con es a
ecnología.
La aplicación puede se dinámica e in e ac ua con el usua io a iempo eal.
La ejecución de un modelo is a con olado (MVC) es iable y sencilla de
implemen a .
•Des en ajas.
Poca in o mación encon ada pa a la compa ibilidad en e Ja aSc ip y Py hon.
Pa a consegui que el algo i mo uncionase e a bas an e complicado, no se con-
seguía una buena conexión.
DJANGO
Py hon es un lenguaje de p og amación o ien ado a obje os de al o ni el con se-
mán ica dinámica inco po ada, p incipalmen e pa a desa olla aplicaciones web y
de esc i o io. Es a es una opción mul ipla a o ma con biblio ecas e in é p e es g a-
ui os disponibles [15].
La emp esa The Wo ld Company o Law ence en Kansas, Es ados Unidos, con aba
con un g upo de desa ollado es que decidie on hace una se ie de aplicaciones en
PHP pa a op imiza los p ocesos de la emp esa, en 2003 cambia on de lenguaje de
p og amación a Py hon.
Después de un p oceso de múl iples mejo as consiguie on desa olla un amewo k
muy po en e, llamado Django.
EN 2005, lanza on Django como código abie o, acili ando que la comunidad de
desa ollado es apo ase mejo as, sopo e y usabilidad. Así es como Django empezó
a da se a conoce . No ue has a 2008 cuando Django ob u o las ca ac e ís icas base
po las que ac ualmen e es conocido:
• Es muy ápido p og ama una aplicación web uncional.
• Con iene uncionalidades ya c eadas pa a acili a el desa ollo, po ejemplo,
la au en icación de un usua io.
• Solución de p oblemas de segu idad.
18
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Los escena ios desc i os a con inuación son dis in as si uaciones del mundo eal en las que
los u u os usua ios de nues a aplicación se pod ían encon a y necesi a la aplicación
pa a da le solución a su p oblema.
Escena io 1. Reconocimien o al ai e lib e.
Un sende is a o g upo de sende is as ealizan una u a cuando se pe ca an de un
a e en es ado de descomposición. An es de llama al Se icio de P o ección de la
Na u aleza (SEPRONA), el caminan e desea sabe de qué a e se a a. Po an o,el
usua io puede lanza la aplicación desde su mó il, pone los da os de los huesos
que haya podido medi pa a sabe de qué a e se a a y así p opo ciona más
in o mación al SEPRONA cuando llamen.
Escena io 2. Reconocimien o cul u al y/o cien í ico.
En el caso de casas museo, colegios que iene a es disecadas o disponen de es os
óseos sin iden i ica . En onces, el usua io con un disposi i o con acceso a in e ne
pod á accede a la aplicación y me e los da os e incluso se puede consul a las
guías de iden i icación de es os óseos [21], [22]. Y así, se pod án pone los es os
de exposición o enseñá selos a isi an es, alumnos o cualquie pe sona que quie a
ap ende más sob e las a es.
Escena io 3. Reconocimien o policial.
El SEPRONA iene que lidia dia iamen e con a la caza u i a, y es a aplicación
puede se les muy ú il pa a la iden i icación del a e al momen o de encon a lo y así
acele a el p oceso de de ención de los cazado es o encon a a los culpables.
5.3. Requisi os uncionales
En es a sección se desc ibe los equisi os uncionales de la aplicación. Con es os equisi os
se p e ende mos a los se icios que p opo ciona la aplicación. Se han di idido en es
se icios:
Se icio de con ac o: Zona de la aplicación donde apa ecen los da os de con ac o
de la Uni e sidad Complu ense, guía de a es cedida pa a es e p oyec o, el Minis e io
pa a la T ansición Ecológica y el Re o Demog á ico (MITECO) y los au o es de las
o og a ías que apa ecen en la aplicación.
Se icio de in o mación: Zona de la aplicación donde los usua ios pueden des-
ca ga las dos guías c eadas po Víc o Ga cía Ma a az pa a ap ende más sob e
la medición e iden i icación de es os óseos. Así, como un a chi o con una se ie de
núme os ele ónicos pa a llama en caso de encon a se algún a e mue o.
Se icio de p edicción de a es apaces emblemá icas según sus es os
óseos: Zona de la aplicación donde eside el algo i mo de p edicción de a es apaces
a pa i de sus es os óseos desc i o en el Capí ulo 3, que a pa i de una in e az
in ui i a pa a los usua ios se acili a su uso.
25

Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
5.4. In e az de usua io
La desc ipción de las dis in as in e aces que o man la aplicación web se ha á en base
al diseño web pa a un moni o , pa a disposi i os como mó iles y able as, se mos a á
una imagen, su uncionamien o es igual pe o la is a cambia dependiendo del disposi i o
desde el que se accede.
5.4.1. In e az P incipal
Es la in e az “base” de nues a aplicación, se puede e en la Figu a 5.1, ya que en ella
se p esen an las dis in as ca ac e ís icas que se epe i án ambién en el es o de is as.
En la pa e supe io se p esen a el nomb e de la aplicación web.
Debajo del nomb e se puede obse a la ba a de na egación, desde la cual pod emos
accede a cualquie a de las o as in e aces es an es.
En la pa e in e io de la is a se encuen a el pie de página con el logo ipo de la
Uni e sidad Complu ense de Mad id y el co espondien e con MITECO.
La di e encia con el es o de is as es la p esen ación de bien enida al usua io, un pequeño
mues a io de a es (con sus espec i os nomb es) y un bo ón que nos di ige di ec amen e
a la in e az de iden i icación, Figu a ??.
Figu a 5.1: Página inicio de la aplicación. Fo ma o moni o . (Fuen e: Elabo ación p opia)
5.4.2. In e az Iden i icación
En es a in e az se puede obse a las mismas ca ac e ís icas p esen adas en la in e az
p incipal 5.4.1. Es a is a se p esen a en o ma o “pan alla di idida”, en la que cada
di isión cambia a dependiendo de la in e acción del usua io:
26
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
1. Toda ía no se ha in oducido ningún da o 5.2:
La pa e de la izquie da obse amos el o mula io que pod án ellena (en e o o no)
con los da os de los es os óseos.
La pa e de la de echa, se mues a con una imagen de un esquele o de a e apaz en
el cual se han asignado los nomb es de los huesos co espondien es, pa a pe mi i
al usua io localiza los mas ácilmen e.
Figu a 5.2: Página de iden i icación de la aplicación an es de in oduci alo es. Fo ma o
moni o .(Fuen e: Elabo ación p opia)
2. Se ha calculado la p edicción 5.3:
La pa e de la izquie da se man iene igual, bo ándose los da os de en ada.
La pa e de la de echa, donde an es eíamos la imagen del esquele o, aho a se
mos a a los esul ados ob enidos de la p edicción.
5.4.3. In e az Con ac o
En es a in e az se puede obse a las mismas ca ac e ís icas p esen adas en la in e az
p incipal 5.4.1. En es a is a se pueden lee los da os de con ac o de las pe sonas enca ga-
das de la in es igación y de la idea en el ema de la iden i icación de es os óseos. También
se cuen a b e emen e el mo i o que impulso es a aplicación web y el econocimien o a los
au o es de las o og a ías y documen os u ilizados en la aplicación. Véase la Figu a 5.4.
27
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Figu a 5.3: Página de iden i icación de la aplicación mos ando los esul ados ob enidos.
Fo ma o moni o .(Fuen e: Elabo ación p opia)
Figu a 5.4: Página de con ac o. Fo ma o moni o .(Fuen e: Elabo ación p opia)
28
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
5.4.4. In e az Recu sos
En es a in e az se puede obse a las mismas ca ac e ís icas p esen adas en la in e az
p incipal 5.4.1. En es a is a se mues an a ios enlaces de desca ga, pa a pode isualiza
desde nues o disposi i o o desca ga los documen os p esen es. Véase la Figu a 5.5.
Figu a 5.5: Página de ecu sos pa a desca ga . Fo ma o moni o .(Fuen e: Elabo ación
p opia)
5.5. Na egación en e in e aces
A con inuación, se explica á el diag ama mos ado en la [ igu a]. Es e diag ama mues a
la mane a en que se puede na ega en e las dis in as in e aces de la aplicación.
1. El usua io accede a la aplicación y se encuen a la página de inicio con es opciones
a elegi , pod á i a “ ecu sos”, “con ac o” o pulsa el bo ón comenza si quie e i a
la pan alla de “iden i icación”. Desde cualquie pan alla se pod á ol e a la an e io
u o a cualquie a.
2. Si elige i a “ ecu sos”, solo end á que selecciona en el menú de a iba de la
aplicación la opción “ ecu sos” que le lle a á a esa pan alla. Una ez ahí, pod á
desca ga los a chi os que desee. Si después desea i a “con ac o” mi a el paso 3,
po el con a io si quie e na ega al “inicio” mi e el paso 1.
3. Si elige i a “con ac o”, solo end á que selecciona en el menú de a iba de la
aplicación la opción i a “con ac o” que le lle a á a esa pan alla. Una ez ahí, pod á
lee la in o mación de con ac o de los au o es que han colabo ado en la aplicación.
Si después desea i a “ ecu sos” mi a el paso 2, po el con a io si quie e na ega al
“inicio” mi e el paso 1.
4. Si elige pulsa el bo ón “comenza ”, i á di ec amen e a la pan alla de “iden i ica-
ción” allí pod á ing esa en el o mula io los da os co espondien es a los es os
óseos que haya medido. Una ez in oducidos, pod á ealiza es opciones: “ es-
au a ”,“limpia ” o “calcula ”.
29
Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
5. La opción “ es au a ”, ese ea el o mula io pa a deja lo ació de los da os que haya
in oducido.
6. La opción “limpia ”, elimina los da os del o mula io pa a deja lo acío y además
elimina á cualquie esul ado que haya en la pan alla de las p obabilidades que haya
calculado.
7. La opción “calcula ”, mues a la p obabilidad que hay de que sea un ipo de a e u
o a en unción de los da os que hayas in oducido en el o mula io. Además siemp e
pod ás in oduci más da os y comp oba su p obabilidad.
30

Técnicas de ap endizaje pa a la iden i icación de apaces po es os óseos UCM
Figu a 5.6: Diag ama del lujo de na egación en e las dis in as in e aces. (Fuen e: Ela-
bo ación p opia)
31
Capí ulo 6
Conclusiones
El obje i o del p oyec o ha sido desa olla una aplicación web que pe mi a la in oduc-
ción de las medidas de unos de e minados huesos a ícolas pa a la pos e io p edicción
del a e al que co espondan. La mayo mo i ación que ha guiado es e abajo ha sido lo
inno ado a que esul aba se la idea y el hecho de pode pa icipa en algo que uese a se
de u ilidad pa a muchas pe sonas, así como la implemen ación desde ce o de un algo i mo.
El p ime paso ue el desa ollo de un algo i mo en Py hon. Pa a pode elegi el que mejo
se ajus ase a es e p oyec o se lle ó a cabo una in es igación sob e los dis in os ipos de
in eligencia a i icial. Una ez elegido y as la ealización de es e, es a mues a la p o-
babilidad de X dependiendo del núme o de huesos in oducidos. T as la ealización del
algo i mo se lle ó a cabo la página web. Pa a ello se p oba on a ias ecnologías dis in as
que pe mi ían ealiza una modelo is a con olado y inalmen e se acabó usando un a-
mewo k de Py hon que esul aba se mucho más cómodo a la ho a de se implemen ado
jun o al algo i mo ya c eado. La in e az no iene mayo complicación ya que es á hecha
en HTML y CSS.
Pa a inaliza , se buscó un se ido g a ui o en el que pode ins ala Py hon y odas las
lib e ías que o ece pa a pode lle a a cabo el co ec o uncionamien o del p oyec o.
6.1. T abajo u u o
Se pod ía en ia los da os in oducidos en la aplicación pa a que una pe sona cuali icada
los e isase y los incluyese en la base de da os y así pode i mejo ando los da os y la
es adís ica.
Se pod ía hace la aplicación a mó il.
La in oducción de da os sea a a és de o os.
Pode añadi más ipos de a es al es udio.
32
Conclusions
The aim o my p ojec has been o de elop a web applica ion ha allows he in oduc-
ion o he measu emen s o he bones o bi ds o he subsequen p edic ion o he bi d
o which hey co espond. When I s a ed alking abou his p ojec , wha mo i a ed
me was how inno a i e he idea was and he ac ha I could pa icipa e in some hing
ha would help many people, as well as he implemen a ion o an algo i hm om sc a ch.
The i s hing I did was he algo i hm in Py hon. I had o esea ch abou he di e en
ypes o A i icial In elligence and choose he one ha bes i s my p ojec . Once chosen,
we made he algo i hm ha shows us he p obabili y o X depending on he numbe o
bones. Then I made he web page, I ied se e al echnologies o make a model iew
con olle and I ended up using a py hon amewo k, i was much mo e com o able o
join oge he wi h he algo i hm al eady c ea ed. The in e ace is in HTML and CSS
wi hou much complica ion.
Finally, I looked o a ee se e whe e I could ins all py hon and all i s lib a ies, so ha
e e y hing would wo k co ec ly.
Fu u e wo k
The da a en e ed in he applica ion could be sen o a quali ied pe son o be e iewed
and included in he da abase in o de o imp o e he da a and s a is ics. The applica ion
could be made mobile The in oduc ion o da a using pho os. To be able o add mo e
ypes o bi ds o he s udy.
33
Índice de igu as
2.1. Esquema clasi icación Ap endizaje Máquina. (Fuen e: Elabo ación p opia) 6
2.2. Diag ama de lujo del ap endizaje supe isado. (Fuen e: h ps://medium.
com/soldai/ ipos-de-ap endizaje-au omá ico-6413e3c615e2) . . . . . . . . 7
2.3. Ejemplo á bol de decisión gene alizado. (Fuen e: h ps://www.da acamp.
com/communi y/ u o ials/decision- ee-classi ica ion-py hon) . . . . . . 8
2.4. Ejemplo SVM gene alizado. (Fuen e: h ps://www.da acamp.com/communi y/
u o ials/s m-classi ica ion-sciki -lea n-py hon) . . . . . . . . . . . . . . 8
2.5. Ejemplo Random Fo es gene alizado. (Fuen e: h ps://www.da acamp.
com/communi y/ u o ials/ andom- o es s-classi ie -py hon) . . . . . . . 9
2.6. Diag ama de lujo del ap endizaje no supe isado. (Fuen e:h ps://medium.
com/soldai/ ipos-de-ap endizaje-au omá ico-6413e3c615e2) . . . . . . . . 10
2.7. Ejemplo dendog ama. (Fuen e: h ps://www.jacobso .com.mx/es_mx/clus e ing-je a quico-con-py hon/) 11
2.8. Diag ama de lujo del ap endizaje po e ue zo. (Fuen e: h ps://medium.
com/soldai/ ipos-de-ap endizaje-au omá ico-6413e3c615e2) . . . . . . . . 11
3.1. Base de da os. (Fuen e: Elabo ación p opia) ................ 13
3.2. G á ica compa a i a del O e i ing y Unde i ing. (Fuen e: h ps://www.
ap endemachinelea ning.com/que-es-o e i ing-y-unde i ing-y-como-soluciona lo/) 13
3.3. Con ado del núme o de especies que apa ecen en la base de da os. (Fuen e:
Elabo ación p opia).............................. 14
4.1. P ocesamien o de Node.js las pe iciones en an es u ilizando el bucle de
e en os. (Fuen e: Elabo ación p opia).................... 17
4.2. Ejemplo de un se ido en Django. (Fuen e: Elabo ación p opia) . . . . . 19
4.3. Esquema de Django. (Fuen e: Elabo ación p opia)............. 20
4.4. Esquema de Django e sión 2. (Fuen e: Elabo ación p opia) ....... 21
5.1. Página inicio de la aplicación. Fo ma o moni o . (Fuen e: Elabo ación p o-
pia) ...................................... 26
5.2. Página de iden i icación de la aplicación an es de in oduci alo es. Fo -
ma o moni o .(Fuen e: Elabo ación p opia)................. 27
5.3. Página de iden i icación de la aplicación mos ando los esul ados ob eni-
dos. Fo ma o moni o .(Fuen e: Elabo ación p opia) ............ 28
5.4. Página de con ac o. Fo ma o moni o .(Fuen e: Elabo ación p opia) . . . 28
5.5. Página de ecu sos pa a desca ga . Fo ma o moni o .(Fuen e: Elabo ación
p opia)..................................... 29
5.6. Diag ama del lujo de na egación en e las dis in as in e aces. (Fuen e:
Elabo ación p opia).............................. 31
34