{"id":{"repo_id":"javeriana","oai_identifier":"oai:repository.javeriana.edu.co:10554/61212"},"canonical_url":"https://search.dev.ndltd.org/etd/javeriana/oai:repository.javeriana.edu.co:10554/61212","repository":{"repo_id":"javeriana","name":"Pontificia Universidad Javeriana","base_url":"https://repository.javeriana.edu.co/oai/request"},"display":{"title":"Uso del modelo de caja negra Auto ML Custom Vision de Microsoft, en la clasificación de imágenes y su arquitectura interna","abstract":"Este artículo, es el resultado de analizar, configurar, parametrizar, testear y comparar el servicio Auto ML (Machine Learning) de Azure Custom Vision de Microsoft, para lo cual se ha usado una base de datos que contiene un dataset de 400 fotos de hoja de yuca, quienes describen cuatro enfermedades, a saber: cbb (cassava bacterial blight), cbsd(cassava Brown Streak Disease), cgm(cassava Green spider mite), cmd(cassava mosaic disease) y healthy. Una vez analizado el servicio, este articulo aborda la clasificación de enfermedades de cassava a partir de la hoja de la planta, para lo cual se entrena el modelo y se realizan las pruebas respectivas. Finalmente, se evidencia, verifica y analiza el modelo propuesto por Microsoft, se describen sus componentes, el algoritmo y la arquitectura.","abstract_html":"Este artículo, es el resultado de analizar, configurar, parametrizar, testear y comparar el servicio Auto ML (Machine Learning) de Azure Custom Vision de Microsoft, para lo cual se ha usado una base de datos que contiene un dataset de 400 fotos de hoja de yuca, quienes describen cuatro enfermedades, a saber: cbb (cassava bacterial blight), cbsd(cassava Brown Streak Disease), cgm(cassava Green spider mite), cmd(cassava mosaic disease) y healthy. Una vez analizado el servicio, este articulo aborda la clasificación de enfermedades de cassava a partir de la hoja de la planta, para lo cual se entrena el modelo y se realizan las pruebas respectivas. Finalmente, se evidencia, verifica y analiza el modelo propuesto por Microsoft, se describen sus componentes, el algoritmo y la arquitectura.","abstract_has_math":false,"creators":["Edwin Armando, Guerrero Burbano"],"institution":"Pontificia Universidad Javeriana","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Flórez Valencia, Leonardo","Leonardo, Flórez Valencia"],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-08-21T22:21:56Z","subjects":["Aprendizaje automático","Aprendizaje de máquina automático","Algoritmo","Vision personalizada","Reconocimiento de imagenes","Cassava"],"languages":["spa"],"rights":[],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[{"key":"dc:identifier.doi","label":"DOI","values":["https://doi.org/10.11144/Javeriana.10554.61212"],"render_values":[{"text":"https://doi.org/10.11144/Javeriana.10554.61212","href":"https://doi.org/10.11144/Javeriana.10554.61212","code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/10554/61212","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"source_record":{"url":"https://repository.javeriana.edu.co/oai/request?verb=GetRecord&metadataPrefix=dim&identifier=oai%3Arepository.javeriana.edu.co%3A10554%2F61212","prefix":"dim"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Flórez Valencia, Leonardo","Leonardo, Flórez Valencia"]},{"key":"dc:creator","label":"Author","values":["Edwin Armando, Guerrero Burbano"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2022-08-08T15:48:34Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2022-08-08T15:48:34Z"]},{"key":"dc:publisher","label":"Institution","values":["Pontificia Universidad Javeriana"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Aprendizaje automático","Aprendizaje de máquina automático","Algoritmo","Vision personalizada","Reconocimiento de imagenes","Cassava"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["spa"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.doi","label":"DOI","values":["https://doi.org/10.11144/Javeriana.10554.61212"]},{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10554/61212"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Este artículo, es el resultado de analizar, configurar, parametrizar, testear y comparar el servicio Auto ML (Machine Learning) de Azure Custom Vision de Microsoft, para lo cual se ha usado una base de datos que contiene un dataset de 400 fotos de hoja de yuca, quienes describen cuatro enfermedades, a saber: cbb (cassava bacterial blight), cbsd(cassava Brown Streak Disease), cgm(cassava Green spider mite), cmd(cassava mosaic disease) y healthy. Una vez analizado el servicio, este articulo aborda la clasificación de enfermedades de cassava a partir de la hoja de la planta, para lo cual se entrena el modelo y se realizan las pruebas respectivas. Finalmente, se evidencia, verifica y analiza el modelo propuesto por Microsoft, se describen sus componentes, el algoritmo y la arquitectura."]},{"key":"dc:format","label":"Dc Format","values":["PDF"]},{"key":"dc:format.mimetype","label":"Dc Format Mimetype","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Uso del modelo de caja negra Auto ML Custom Vision de Microsoft, en la clasificación de imágenes y su arquitectura interna"]}]}],"canonical_facts":{"dc:contributor.advisor":["Flórez Valencia, Leonardo","Leonardo, Flórez Valencia"],"dc:creator":["Edwin Armando, Guerrero Burbano"],"dc:date.accessioned":["2022-08-08T15:48:34Z"],"dc:date.available":["2022-08-08T15:48:34Z"],"dc:description.abstract":["Este artículo, es el resultado de analizar, configurar, parametrizar, testear y comparar el servicio Auto ML (Machine Learning) de Azure Custom Vision de Microsoft, para lo cual se ha usado una base de datos que contiene un dataset de 400 fotos de hoja de yuca, quienes describen cuatro enfermedades, a saber: cbb (cassava bacterial blight), cbsd(cassava Brown Streak Disease), cgm(cassava Green spider mite), cmd(cassava mosaic disease) y healthy. Una vez analizado el servicio, este articulo aborda la clasificación de enfermedades de cassava a partir de la hoja de la planta, para lo cual se entrena el modelo y se realizan las pruebas respectivas. Finalmente, se evidencia, verifica y analiza el modelo propuesto por Microsoft, se describen sus componentes, el algoritmo y la arquitectura."],"dc:format":["PDF"],"dc:format.mimetype":["application/pdf"],"dc:identifier.doi":["https://doi.org/10.11144/Javeriana.10554.61212"],"dc:identifier.uri":["http://hdl.handle.net/10554/61212"],"dc:language.iso":["spa"],"dc:publisher":["Pontificia Universidad Javeriana"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Aprendizaje automático","Aprendizaje de máquina automático","Algoritmo","Vision personalizada","Reconocimiento de imagenes","Cassava"],"dc:title":["Uso del modelo de caja negra Auto ML Custom Vision de Microsoft, en la clasificación de imágenes y su arquitectura interna"]},"updated_at":"2026-08-21T22:21:56Z"}