Detección del desarrollo del cultivo con imágenes de Drones

Mentoria: Diplomatura Ciencias de Datos, FAMAF, 2020

La utilización de Drones en la Agricultura otorga grandes posibilidades de aplicación de buenas prácticas agrícolas (BPA).La obtención de imágenes de alta precisión que ofrecen las cámaras multiespectrales montadas en drones otorga nuevas oportunidades al sector, como obtener el momento fenológico (desarrollo) de diferentes genotipos para lograr un manejo sustentable del cultivar.El dataset contiene carcterísticas de las imágenes, del diseño experimental, variables medidas a campo como rendimiento.El objetivo de este proyecto es que el estudiante a lo largo de las materias de la diplomatura identifique y aplique diferentes técnicas de análisis/procesamiento de los datos que generen información relevantes para el manejo sustentable del cultivo.

Objetivos generales para cada materia:

Análisis y Visualización Visualizacion de funciones de densidad de probabilidad de diferentes variables.

Matrices de correlacion.

Diagramas de caja para deteccion de Outliers.

Introduccion a la visualizacion en mapas. Visualizacion basica y grafos.

Análisis y Curación

El formato del dataset nos permite aplicar los siguientes conceptos:

Carga de datos: Codificaciones, Caracteres Especiales, formatos.

Clasificacion de tipos de variables en continuas, ordinales y categoricas.

Metodos de normalizacion de variables continuas.

Codificacion de variables ordinales y categoricas.

Imputacion de valores invalidos y outliers.

Introducción al ML

Métodos de selección de variables univariados, multivariados e intrínsecos a un modelo.

Partición de datos para Training, Test y Validation. Cross Validation.

Evaluación de modelos

Aprendizaje Supervisado

Aplicación de diversas técnicas de ML sobre el dataset generado.

Métodos de selección de variables y reducción de dimensionalidad.

Definicion, interpretación y ajuste de hiperparametros.

Metodos de ajuste de hyperparameters GridSearch, Random, Bayesiana

Interpretabilidad de los modelos.

Aprendizaje No Supervisado

Métodos de clusterización de datos para reduccion de variables.

Implementacion de regresor basado en KNN

Codificacion de variable de salida en categorias.