Rendimiento

LiDAR forestal Descargar

La tecnología de detección y medición de distancias por luz (LIDAR) se ha convertido en una herramienta esencial para la conservación del medio ambiente. Lidar es una tecnología que utiliza un láser para apuntar a un objeto o una superficie y cronometrar el retorno de la luz reflejada al receptor. Puede utilizarse, por ejemplo, para generar representaciones tridimensionales informatizadas de zonas de la superficie terrestre. Por ello, ecologistas y biólogos han encontrado en esta tecnología el mejor aliado para sus actividades de detección, clasificación y conservación. Sin embargo, esta tecnología requiere importantes recursos informáticos para procesar los millones de puntos obtenidos para un solo metro cuadrado de análisis. Todos estos puntos deben clasificarse y segmentarse, y existen varias metodologías matemáticas y computacionales que pueden utilizarse para procesar todos estos datos y producir resultados legibles e interpretables. Este conjunto de datos contiene una representación LIDAR de tres árboles. Cada punto está representado por sus coordenadas X, Y y Z. Así pues, el conjunto de datos sólo tiene tres variables de entrada (x,y,z) y un objetivo (Árbol).

Objetivo Árbol

Fuente de datos: CIFOR y la Universidad de Wageningen

Licencia: Archivos de datos © CIFOR y Universidad de Wageningen

Referencia:

González de Tanago, J, Lau, A, Bartholomeus, H, et al. (2018). Estimación de la biomasa sobre el suelo de grandes árboles tropicales con LiDAR terrestre. Methods Ecol Evol. 9: 223- 234. https://doi.org/10.1111/2041-210X.12904

Bosón de Higgs - Descargar

Este conjunto de datos contiene una tarea de referencia para algoritmos de clasificación de aprendizaje automático diseñada para distinguir entre un proceso de señal en el que se producen nuevos bosones de Higgs teóricos y un proceso de fondo con productos de desintegración idénticos pero características cinemáticas distintas (Baldi P. et al, 2014). El conjunto de datos contiene las siguientes columnas: la columna objetivo ("Label") es la etiqueta de clase (1 para señal, 0 para fondo). Hay 28 características (21 de bajo nivel y 7 de alto nivel): lepton pT, lepton eta, lepton phi, missing energy magnitude, missing energy phi, jet 1 pt, jet 1 eta, jet 1 phi, jet 1 b-tag, jet 2 pt, jet 2 eta, jet 2 phi, jet 2 b-tag, jet 3 pt, jet 3 eta, jet 3 phi, jet 3 b-tag, jet 4 pt, jet 4 eta, jet 4 phi, jet 4 b-tag, m_jj, m_jjj, m_lv, m_jlv, m_bb, m_wbb, m_wwbb. La descripción detallada de estas columnas puede consultarse en Baldi P. et al. 2014.

ObjetivoEtiqueta

Fuente de datos: https://archive.ics.uci.edu/ml/datasets/higgs

Licencia: Archivos de datos © Daniel Whiteson

Referencia:

Baldi, P., Sadowski, P. y Whiteson, D. (2014). Búsqueda de partículas exóticas en física de altas energías con aprendizaje profundo. Comunicaciones de la naturaleza, 5(1), 1-9.

Leyes universales de la física - Descargar

Los algoritmos de aprendizaje automático se utilizan actualmente para automatizar el descubrimiento de principios físicos y ecuaciones rectoras basándose en datos y no en la resolución de complejos sistemas de ecuaciones. Al abordar el problema clásico de modelar objetos que caen de diferentes tamaños y masas, podemos identificar una serie de cuestiones difíciles que deben ser gestionadas por los recientes métodos basados en datos para el descubrimiento automatizado de la física. Nuestro objetivo es abordar el problema clásico de modelar la caída de objetos de diferentes tamaños y masas para el descubrimiento automatizado de la física. La investigación teórica sobre las fuerzas de los fluidos en una esfera idealizada ha dado lugar a una extensa historia de investigación científica. Además de la gravedad y el arrastre, la trayectoria de una bola puede verse modificada por su giro a través de la fuerza Magnus o fuerza de sustentación, que actúa ortogonalmente al arrastre. Otras variables que pueden afectar a las fuerzas producidas por la caída de una pelota son la temperatura del aire, el viento, la elevación y la forma de la superficie de la pelota (de Silva et al. 2020). La fuente del conjunto de datos es el artículo "Discovery of Physics From Data: Universal Laws and Discrepancies" (de Silva et al. 2020). El conjunto de datos incluye observaciones para nueve tipos diferentes de pelotas: una pelota de golf, una pelota de béisbol, una pelota de tenis, una pelota de baloncesto azul, una pelota de baloncesto verde, una pelota de whiffle, una pelota de whiffle amarilla y una pelota de whiffle naranja.

Objetivo Tiempo de aterrizaje

Fuente de datos: https://www.frontiersin.org/files/Articles/479363/frai-03-00025-HTML/image_m/frai-03-00025-t001.jpg

Licencia: Datos © Silva, B. M., Higdon, D. M., Brunton, S. L., Kutz, J. N

Referencia:

de Silva, B. M., Higdon, D. M., Brunton, S. L., & Kutz, J. N. (2020). Discovery of Physics From Data: Leyes Universales y Discrepancias. Frontiers in artificial intelligence, 3, 25. https://doi.org/10.3389/frai.2020.00025

Deserción de Telcos Descargar

La pérdida de clientes, también conocida como desgaste de clientes, se refiere al porcentaje de clientes que dejan de utilizar los productos o servicios de una empresa en un periodo de tiempo determinado. Es un indicador importante para una empresa de telecomunicaciones porque la pérdida de clientes puede tener implicaciones financieras significativas. Las empresas de telecomunicaciones suelen tener costes fijos elevados, como el coste de construir y mantener redes e infraestructuras, y estos costes deben repartirse entre una amplia base de clientes para ser viables desde el punto de vista financiero. Si la tasa de rotación de clientes es alta, puede provocar un descenso en el número total de clientes, lo que puede dificultar que la empresa cubra sus costes fijos. En última instancia, esto puede conducir a una disminución de la rentabilidad. Mediante el seguimiento de la tasa de rotación de clientes, una empresa de telecomunicaciones puede identificar tendencias y patrones en el comportamiento de los clientes y tomar medidas para mejorar la retención y reducir la tasa de rotación. Esto podría incluir ofrecer precios más competitivos, mejorar el servicio al cliente o introducir nuevos productos y servicios más atractivos para los clientes.

Objetivo Deserción

Fuente de datos: Conjunto de datos adaptado de IBM Business Analytics Community (https://community.ibm.com/community/user/businessanalytics/blogs/steven-macko/2019/07/11/telco-customer-churn-1113).

Licencia: Archivos de datos © IBM

Datos del Tiempo Descargar

Predecir el tiempo es importante para las comunidades por varias razones. En primer lugar, unas previsiones meteorológicas precisas pueden ayudar a la población a mantenerse a salvo al permitirle prepararse para fenómenos meteorológicos extremos, como huracanes, inundaciones y tormentas de nieve. Por ejemplo, si una comunidad sabe que se avecina una gran tormenta, puede tomar medidas para asegurar sus hogares, evacuar si es necesario y abastecerse de provisiones. Además de por motivos de seguridad, las previsiones meteorológicas precisas también son importantes por razones económicas. Muchas empresas e industrias se ven afectadas por el tiempo, y dependen de previsiones precisas para planificar sus operaciones y tomar decisiones informadas. Por ejemplo, los agricultores necesitan saber qué tiempo hará para decidir cuándo plantar y cosechar sus cultivos, y las empresas de construcción necesitan saber si hará frío o calor para planificar sus horarios de trabajo. Por último, las previsiones meteorológicas precisas son importantes para la vida cotidiana. Permiten a la gente planificar sus actividades al aire libre y tomar decisiones sobre qué ropa ponerse y cómo viajar. También pueden influir en el estado de ánimo y el bienestar de las personas, ya que el mal tiempo puede hacer que la gente se sienta decaída o incluso afectar a su salud mental.

Objetivo Tiempo

Fuente de datos: Adaptado de los datos meteorológicos horarios históricos de 2012-2017 (https://www.kaggle.com/datasets/selfishgene/historical-hourly-weather-data?select=pressure.csv).

Licencia: Este conjunto de datos está disponible bajo la licencia Open Database License: http://opendatacommons.org/licenses/odbl/1.0/. Cualquier derecho sobre los contenidos individuales de la base de datos se licencia bajo la Licencia de Contenidos de Bases de Datos: http://opendatacommons.org/licenses/dbcl/1.0/