Andere Kunden interessierten sich auch für
![Análisis de la calidad del vino mediante inteligencia artificial y aprendizaje automático]( "Análisis de la calidad del vino mediante inteligencia artificial y aprendizaje automático")
Análisis de la calidad del vino mediante inteligencia artificial y aprendizaje automático29,99 €![PREVISÃO DE POLUENTES ATMOSFÉRICOS POR IOT E APRENDIZAGEM AUTOMÁTICA]( "PREVISÃO DE POLUENTES ATMOSFÉRICOS POR IOT E APRENDIZAGEM AUTOMÁTICA")
PREVISÃO DE POLUENTES ATMOSFÉRICOS POR IOT E APRENDIZAGEM AUTOMÁTICA28,99 €![La energía del futuro: Control inteligente de la tensión de CC con aprendizaje automático]( "La energía del futuro: Control inteligente de la tensión de CC con aprendizaje automático")
La energía del futuro: Control inteligente de la tensión de CC con aprendizaje automático29,99 €![Introducción a Python para el aprendizaje automático]( "Introducción a Python para el aprendizaje automático")
Introducción a Python para el aprendizaje automático40,99 €![Introducción a PYTHON PARA INTERNET DE LAS COSAS (IoT)]( "Introducción a PYTHON PARA INTERNET DE LAS COSAS (IoT)")
Introducción a PYTHON PARA INTERNET DE LAS COSAS (IoT)40,99 €![LOS COMPONENTES BÁSICOS DEL APRENDIZAJE AUTOMÁTICO]( "LOS COMPONENTES BÁSICOS DEL APRENDIZAJE AUTOMÁTICO")
LOS COMPONENTES BÁSICOS DEL APRENDIZAJE AUTOMÁTICO40,99 €![Aplicaciones del aprendizaje automático en los UAV]( "Aplicaciones del aprendizaje automático en los UAV")
Aplicaciones del aprendizaje automático en los UAV29,99 €
presentamos un contenedor inteligente basado en IoT que utiliza un modelo de aprendizaje automático y profundo para gestionar la eliminación de basura y predecir los contaminantes atmosféricos presentes en el entorno del contenedor. Experimentamos con un modelo tradicional (algoritmo de vecinos más cercanos (k-NN) y regresión logística) y un algoritmo no tradicional (aprendizaje profundo basado en una red de memoria a corto plazo (LSTM)) para crear mensajes de alerta sobre el estado del contenedor y predecir la cantidad de monóxido de carbono (CO) presente en el aire en un momento específico. La recuperación de la regresión logística y el algoritmo k-NN es del 79% y el 83%, respectivamente, en un entorno de pruebas en tiempo real para predecir el estado del contenedor. La precisión de los modelos LSTM modificado y LSTM simple es del 90% y el 88%, respectivamente, para predecir la concentración futura de gases presentes en el aire. El sistema produjo un retraso de 4 s en la creación y transmisión del mensaje de alerta a un trabajador sanitario. El sistema proporcionó la monitorización en tiempo real de los niveles de basura junto con las notificaciones del mecanismo de alerta.