Browsing by Author "Zambrano Vega, Cristian"

Now showing 1 - 2 of 2
  • Thumbnail Image
    ItemOpen Access
    "Interfaz web al software de alineamiento múltiple de secuencias con metaheuristica multiobjetivo (M2ALIGN)"
    (Quevedo: UTEQ, 2017) Soria Brito, Jefferson Edilberto; Zambrano Vega, Cristian
    El objetivo principal del presente trabajo de investigación es brindar a la comunidad científica una interfaz web de fácil y rápido uso al software optimizador multiobjetivo M2Align para el Alineamiento Múltiple de Secuencias denominado W-M2Align. Entre las principales funcionalidades de la plataforma web están los siguientes parámetros de entrada: Archivo de secuencias: Conjunto de secuencias biológicas sin alinear en formato FASTA. Numero de evaluaciones: El número máximo de evaluaciones del algoritmo. Tamaño población: Tamaño de la población del algoritmo. Email: Para recibir el vínculo con los resultados de la ejecución (Alineamiento múltiple de secuencias y una aproximación al Frente de Pareto). Alineamientos pre-computarizados: MSA's realizadas por otras herramientas heurísticas para generar las soluciones iniciales del algoritmo. Todos los cálculos se realizan en un servidor dedicado con más de 60 núcleos para procesamiento computacional y los usuarios reciben los resultados a través de URL o correo electrónico. Permite realizar un monitoreo de los procesos a través de sus estados (Ejecutándose, Finalizado o Error), así como la posibilidad de descargar los archivos productos de la ejecución. W-M2Align está disponible en http://bioinformatic.uteq.edu.ec/m2align/. Es gratuito y abierto a todos los usuarios y no requiere de inicio de sesión. Palabras clave: Interfaz Web, Alineamiento Múltiple de Secuencias. Optimización MultiObjetivo.
  • Thumbnail Image
    ItemOpen Access
    Pronóstico del rendimiento de cultivo de maíz forrajero basado en variables agronómicas en la ciudad de Quevedo
    (Quevedo: UTEQ, 2024) Villarroel Molina, Ricardo Rafael; Zambrano Vega, Cristian
    Este proyecto de investigación se centró en la construcción de modelos predictivos para el rendimiento del maíz forrajero en Quevedo utilizando técnicas de aprendizaje automático supervisado. Se analizaron variables agronómicas como altura de la planta, diámetro del tallo, inserción de mazorca, variedad de semilla y distancia de siembra, destacando que mayores distancias entre plantas favorecen un aumento en el diámetro del tallo, correlacionándose positivamente con las variables de rendimiento estudiadas (peso total, peso de hojas, peso de tallo y peso de mazorcas). Se entrenaron y optimizaron modelos independientes para cada variable de rendimiento mediante el ajuste de hiperparámetros para minimizar el RMSE con los algoritmos de Linear Regression (LR), Random Forest (RF), Support Vector Machine (SVM), Multi-layer Perceptron (MLP), Deep Neural Network (DNN), Gradient Boosting Tree (GBT) y XGBoost (XGB). Se evaluó el desempeño de los modelos mediante las pruebas estadísticas de significancia de Friedman y la prueba post-hoc de Nemenyi, centradas en las métricas de RMSE y R². Los modelos construidos por el algoritmo de RF obtuvieron los mejores valores de RMSE y de R².