Laboratorio Smart City CTIC-UNIvri.uni.edu.pe/wp-content/uploads/2016/11/1600_MCastillo_ECITEC... · CTIC-UNI José Manuel Castillo Cara Centro de Tecnologías de la Información

Laboratorio Smart City CTIC-UNI

José Manuel Castillo CaraCentro de Tecnologías de la Información y Comunicación

Escuela Profesional de Ciencia de la ComputaciónFacultad de Ciencias

Universidad Nacional de Ingeniería

Índice

● Áreas de las Smart Cities● Seguridad ciudadana.● Predicciones con Machine Learning en

seguridad ciudadana.● BeaGOns & IOT4X y PyMach projects!

Áreas de una Smart City

Áreas de una Smart City. Fuente: Chourabi et al

1. Violencia de género y seguridad ciudadana

1.1. Componentes

1.2. Relaciones

1.3. SAVIAtt

● En Wi-Fi localización mediante algoritmos probabilísticos, Filtro de partículas óptimo.– Jesús Martıı́nez-Gómez et al, Spatial

statistical analysis for the design of indoor particle-filter-based localization mechanisms.

● Con bluetooth utilización de patrones, k-NN como algoritmo óptimo– Jesús Lovón Melgarejo et al. Supervised

learning algorithms for indoor location fingerprinting using BLE4.0 Beacons.

– Manuel Castillo-Cara et al. Ray: Smart Indoor/Outdoor Routes for the Blind Using Bluetooth 4.0 BLE.

1.4. Actualizaciones de cada perfil

2. Predicciones con Machine Learning

2.1. Data pre-processing (I)

● Data validation: asegurar que los datos estén limpios, sean precisos y útiles.

● Sorting: ordenar los datos en una secuencia, de modo que los grupos de datos que comparten afinidad estén adyacentes en la tabla.

● Summarizing: sintetizar los detalles a los puntos principales; Si dos conjuntos de datos proporcionan la misma información, entonces es recomendable trabajar con la variable más significativa para evitar la duplicación de datos.

● Combine: Varias piezas de datos pueden no tener un solo significado, pero al unirse a ellos, la información de tal unión puede dar un nuevo alcance para el modelo.

2.1. Data pre-processing (II)

2.2. Graphical Representation of the data

2.3. Trainning data

2.4. Logistic Regression Vs. Random Forest (I)

¿Que predicción utilizariáis?● Yo, Random Forest

– Multiple Logistic Regression tiene una confianza de 67.64% probabilidad de éxito, pero solamente puede realizarse de la clase “Car Crash”

– Random Forest una de 62.94%. En este caso vemos más puntos verdes, más clases.

● Las siguientes muestran la matriz de confusión– Multiple Logistic Regression: ”Car Crash” obtiene el 100% de éxito,

sin embargo, todas las demás clases están a 0. – Random Forest ’Car Crash’ obtiene 88.7% de éxito, mucho más real.

Además, ’Car Cluelessness’ 26.7%, mientras Logistic tenía un valor de 0%.

2.4. Logistic Regression Vs. Random Forest (II)

2.5. Outlining the app

● Gusseppe Bravo Roca et al. Citizen security using Machine Learning algorithms through Open Data.

3. BeaGOns & IOT4X y PyMach projects!

¡Muchas gracias!

Contacto

Manuel Castillo-CaraMail: [email protected]

“La mejor tecnología es atacar la estupidez psicológica humana” CEO Smart City Palo Alto