Machine learning en el análisis visual de minerales del grupo de los espinelos

Autores
Antonini, Antonella; Luque, Leandro; Tanzola, Juan E.; Asiain, Lucía; Ferracutti, Gabriela; Castro, Silvia Mabel; Bjerg, Ernesto A.; Ganuza, María Luján
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En las últimas décadas, el análisis visual de datos multidimensionales ha ganado una importancia significativa debido al crecimiento exponencial en el volumen y la complejidad de los datos generados en diversas áreas, como la ciencia, la ingeniería, y la medicina. Este crecimiento ha planteado desafíos en el análisis de estos conjuntos de datos cada vez más grandes y complejos. Las técnicas de visualización, como matriz de scatterplots, coordenadas paralelas y las caras de Chernoff, proporcionan herramientas poderosas para explorar datos multidimensionales. Asimismo, varios estudios recientes demostraron el potencial del aprendizaje automático en la solución de problemas de distintas disciplinas. Integrar técnicas de Machine Learning (ML) en el análisis visual de datos multidimensionales podría abrirnos nuevas puertas para la identificación automatizada de patrones complejos, la extracción de conocimiento útil y la realización de procesos iterativos más ágiles y eficientes. En este contexto, en el ámbito de la mineralogía, exploramos nuevas técnicas de visualización multidimensional e integramos técnicas de Machine Learning para el análisis visual de los minerales que integran el grupo de los espinelos; importantes indicadores petrogenéticos.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
visualización de datos multidimensionales
Machine Learning
análisis visual
visualización de datos geológicos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/176162
Acceder
id SEDICI_e4f30bccde177d5b037322dfd40fb4d2
oai_identifier_str oai:sedici.unlp.edu.ar:10915/176162
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Machine learning en el análisis visual de minerales del grupo de los espinelosAntonini, AntonellaLuque, LeandroTanzola, Juan E.Asiain, LucíaFerracutti, GabrielaCastro, Silvia MabelBjerg, Ernesto A.Ganuza, María LujánCiencias Informáticasvisualización de datos multidimensionalesMachine Learninganálisis visualvisualización de datos geológicosEn las últimas décadas, el análisis visual de datos multidimensionales ha ganado una importancia significativa debido al crecimiento exponencial en el volumen y la complejidad de los datos generados en diversas áreas, como la ciencia, la ingeniería, y la medicina. Este crecimiento ha planteado desafíos en el análisis de estos conjuntos de datos cada vez más grandes y complejos. Las técnicas de visualización, como matriz de scatterplots, coordenadas paralelas y las caras de Chernoff, proporcionan herramientas poderosas para explorar datos multidimensionales. Asimismo, varios estudios recientes demostraron el potencial del aprendizaje automático en la solución de problemas de distintas disciplinas. Integrar técnicas de Machine Learning (ML) en el análisis visual de datos multidimensionales podría abrirnos nuevas puertas para la identificación automatizada de patrones complejos, la extracción de conocimiento útil y la realización de procesos iterativos más ágiles y eficientes. En este contexto, en el ámbito de la mineralogía, exploramos nuevas técnicas de visualización multidimensional e integramos técnicas de Machine Learning para el análisis visual de los minerales que integran el grupo de los espinelos; importantes indicadores petrogenéticos.Red de Universidades con Carreras en Informática2024-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf230-233http://sedici.unlp.edu.ar/handle/10915/176162spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-10T12:50:11Zoai:sedici.unlp.edu.ar:10915/176162Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-10 12:50:12.252SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Machine learning en el análisis visual de minerales del grupo de los espinelos
title Machine learning en el análisis visual de minerales del grupo de los espinelos
spellingShingle Machine learning en el análisis visual de minerales del grupo de los espinelos
Antonini, Antonella
Ciencias Informáticas
visualización de datos multidimensionales
Machine Learning
análisis visual
visualización de datos geológicos
title_short Machine learning en el análisis visual de minerales del grupo de los espinelos
title_full Machine learning en el análisis visual de minerales del grupo de los espinelos
title_fullStr Machine learning en el análisis visual de minerales del grupo de los espinelos
title_full_unstemmed Machine learning en el análisis visual de minerales del grupo de los espinelos
title_sort Machine learning en el análisis visual de minerales del grupo de los espinelos
dc.creator.none.fl_str_mv Antonini, Antonella
Luque, Leandro
Tanzola, Juan E.
Asiain, Lucía
Ferracutti, Gabriela
Castro, Silvia Mabel
Bjerg, Ernesto A.
Ganuza, María Luján
author Antonini, Antonella
author_facet Antonini, Antonella
Luque, Leandro
Tanzola, Juan E.
Asiain, Lucía
Ferracutti, Gabriela
Castro, Silvia Mabel
Bjerg, Ernesto A.
Ganuza, María Luján
author_role author
author2 Luque, Leandro
Tanzola, Juan E.
Asiain, Lucía
Ferracutti, Gabriela
Castro, Silvia Mabel
Bjerg, Ernesto A.
Ganuza, María Luján
author2_role author
author
author
author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
visualización de datos multidimensionales
Machine Learning
análisis visual
visualización de datos geológicos
topic Ciencias Informáticas
visualización de datos multidimensionales
Machine Learning
análisis visual
visualización de datos geológicos
dc.description.none.fl_txt_mv En las últimas décadas, el análisis visual de datos multidimensionales ha ganado una importancia significativa debido al crecimiento exponencial en el volumen y la complejidad de los datos generados en diversas áreas, como la ciencia, la ingeniería, y la medicina. Este crecimiento ha planteado desafíos en el análisis de estos conjuntos de datos cada vez más grandes y complejos. Las técnicas de visualización, como matriz de scatterplots, coordenadas paralelas y las caras de Chernoff, proporcionan herramientas poderosas para explorar datos multidimensionales. Asimismo, varios estudios recientes demostraron el potencial del aprendizaje automático en la solución de problemas de distintas disciplinas. Integrar técnicas de Machine Learning (ML) en el análisis visual de datos multidimensionales podría abrirnos nuevas puertas para la identificación automatizada de patrones complejos, la extracción de conocimiento útil y la realización de procesos iterativos más ágiles y eficientes. En este contexto, en el ámbito de la mineralogía, exploramos nuevas técnicas de visualización multidimensional e integramos técnicas de Machine Learning para el análisis visual de los minerales que integran el grupo de los espinelos; importantes indicadores petrogenéticos.
Red de Universidades con Carreras en Informática
description En las últimas décadas, el análisis visual de datos multidimensionales ha ganado una importancia significativa debido al crecimiento exponencial en el volumen y la complejidad de los datos generados en diversas áreas, como la ciencia, la ingeniería, y la medicina. Este crecimiento ha planteado desafíos en el análisis de estos conjuntos de datos cada vez más grandes y complejos. Las técnicas de visualización, como matriz de scatterplots, coordenadas paralelas y las caras de Chernoff, proporcionan herramientas poderosas para explorar datos multidimensionales. Asimismo, varios estudios recientes demostraron el potencial del aprendizaje automático en la solución de problemas de distintas disciplinas. Integrar técnicas de Machine Learning (ML) en el análisis visual de datos multidimensionales podría abrirnos nuevas puertas para la identificación automatizada de patrones complejos, la extracción de conocimiento útil y la realización de procesos iterativos más ágiles y eficientes. En este contexto, en el ámbito de la mineralogía, exploramos nuevas técnicas de visualización multidimensional e integramos técnicas de Machine Learning para el análisis visual de los minerales que integran el grupo de los espinelos; importantes indicadores petrogenéticos.
publishDate 2024
dc.date.none.fl_str_mv 2024-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/176162
url http://sedici.unlp.edu.ar/handle/10915/176162
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-8352-57-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/173603
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
230-233
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842904747231674368
score 12.993085

Publicaciones similares