Los trastornos del lenguaje y habla dificultan el desarrollo de los niños en diferentes aspectos: educativos, sociales, emocionales, entre otros. Estas dificultades empeoran y son más difíciles de solucionar si el niño recibe un tratamiento tardío. Este es el motivo por el cual llevamos a cabo un estudio para desarrollar una aplicación móvil, capaz de predecir el nivel de desarrollo del lenguaje e identificar procesos fonológicos en el habla de niños de 3 a 5 años, con la finalidad de evitar detecciones tardías de trastornos; ya que estos pueden considerarse indicadores de la presencia de algún tipo de trastorno. Para el desarrollo de la aplicación, empleamos métodos y técnicas de aprendizaje automático como árboles de decisión, redes neuronales, conversión de voz; también, empleamos métodos tradicionales como la guía Portage y el test de palabras objetivos. Los resultados que obtuvimos muestran que es posible emplear el aplicativo para predecir el nivel de desarrollo de lenguaje e identificar procesos fonológicos.

El presente proyecto tiene como finalidad desarrollar un aplicativo móvil que permita analizar partituras para poder convertirlas en música. Ello, con la finalidad de poder afrontar la carencia de educación musical presente en las escuelas de educación primaria y secundaria. Se plantea que, haciendo uso de este aplicativo, en primera instancia puedan aprender de una manera más interactiva las bases de lecturas de partituras, escuchar la tonalidad y el sonido que tienen. El proceso de desarrollo del proyecto consta de 4 pasos: Definición, Planificación, Experimentación y Resultados.

La enseñanza de los movimientos del robot siempre se ha considerado un tema complejo en el que hay mucho interés, ya que el más mínimo cambio en la programación del robot puede generar un alto tiempo de inactividad que puede durar más de un mes. En este trabajo, llevamos a cabo un estudio de los movimientos humanos para implementar un nuevo método de Programación de Robots por Demostración utilizando redes neuronales. Los métodos actuales requieren especialistas con altos conocimientos matemáticos y lógicos para enseñar los movimientos de los robots. Usando un famoso algoritmo de estimación de pose llamado Open Pose y un método de “lifting” 3D, obtenemos la pose estimada del brazo de la persona en un espacio 3D simulado. Luego, usamos varias herramientas de clasificación para traducir la pose predicha al robot. Los resultados muestran que es factible hacer que la programación de robots sea más accesible utilizando la estimación de pose.

La presente propuesta “Algoritmo de toma de decisiones para la generación de historias en videojuegos usando técnicas de machine learning”, tiene como intención diseñar y desarrollar un videojuego que posea múltiples caminos argumentales sin necesidad de que los desarrolladores tengan que implementarlos de forma manual. Automatizar el desarrollo de la historia de un videojuego ayuda a reducir costos y tiempos de desarrollo, ya que disminuye el trabajo del equipo desarrollador, además de que permite desarrollar un videojuego con miles de caminos argumentales diferentes. A pesar de que se ha logrado crear métodos para automatizar la generación de diferentes contenidos de videojuegos como niveles, mapas, personajes, melodías, gráficos, entre otros, aun no existe una forma comercialmente viable para generar historias de videojuegos. Nosotros planteamos una solución que podría usarse comercialmente. Para lograr esto, descomponemos las acciones posibles en acciones atómicas, y dotamos a cada personaje no jugable (NPC) un modelo de machine learning, para que sea capaz de tomar sus propias decisiones en el mundo del juego, para que cada uno decida como actuar de forma procedural. Si los NPC se comportan de forma diferente, entonces los sucesos ocurrirán de forma distinta. Para armar el modelo de machine learning con el que los NPCs tomaran decisiones hacemos uso de Q-Learning, un algoritmo perteneciente al paradigma de reinforcement learning. A diferencia de otros algoritmos, este es model-free, lo que significa que no requiere de un modelo del entorno para funcionar. Tampoco requiere que se le brinde de un dataset con anterioridad, solo necesita un conjunto de agentes (los NPCs), que estos puedan ejecutar acciones, y que reciban un feedback de su desempeño. Debido a todo esto, este algoritmo se adapta muy bien a nuestro caso.

El reconocimiento de gestos del lenguaje de señas a través del procesamiento de imágenes y el aprendizaje automático han sido ampliamente estudiados en años recientes. En esta tesis se presenta un conjunto de datos que consta de 2400 imágenes de los gestos estáticos del lenguaje de señas peruano alfabeto, además de aplicarlo a un sistema de reconocimiento de gestos con cámaras de baja resolución. Para el reconocimiento de gestos, se utilizó el descriptor de características de Histograma de Gradientes Orientados, junto con 4 algoritmos de clasificación. Los resultados mostraron que utilizando el Histograma de Gradientes Orientados junto con el algoritmo de clasificación de Support Vector Machine, se obtuvo el mejor resultado con un accuracy de 89.46% y el sistema pudo reconocer los gestos con variaciones de traslación, rotación y escala.