MARC details
| 000 -CABECERA |
|---|
| campo de control de longitud fija |
05861nam a2200385 a 4500 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
|---|
| campo de control |
CHAP |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| campo de control |
20260407083626.0 |
| 007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
ta |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
260319s2025 mx ado|fom||| 001 0 spa d |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Normas de descripción |
rda |
| 041 ## - CÓDIGO DE LENGUA |
|---|
| Código de lengua del texto/banda sonora o título independiente |
spa |
| Código de lengua del sumario o resumen |
eng |
| 100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Juárez Molina, Ángel Arturo |
| 9 (RLIN) |
189423 |
| 240 10 - TÍTULO UNIFORME |
|---|
| Título uniforme |
Classification of mezcal using artificial intelligence and descriptive sensory analysis. |
| Lenguaje de la obra |
Español |
| 245 10 - MENCIÓN DE TÍTULO |
|---|
| Título |
Clasificación de mezcales mediante inteligencia artificial y análisis sensorial descriptivo / |
| Mención de responsabilidad, etc. |
Ángel Arturo, Juárez Molina |
| 264 ## - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Producción, publicación, distribución, fabricación y copyright |
Chapingo, México : |
| Nombre del de productor, editor, distribuidor, fabricante |
El autor, |
| Fecha de producción, publicación, distribución, fabricación o copyright |
2025 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
1 recurso en línea ( XII, 61 páginas) : |
| Otras características físicas |
ilustraciones, tablas, gráficas, fotografías |
| 336 ## - TIPO DE CONTENIDO |
|---|
| Fuente |
rdacontent |
| Término de tipo de contenido |
texto |
| Código de tipo de contenido |
txt |
| 337 ## - TIPO DE MEDIO |
|---|
| Fuente |
rdamedia |
| Nombre/término del tipo de medio |
computadora |
| Código del tipo de medio |
c |
| 338 ## - TIPO DE SOPORTE |
|---|
| Fuente |
rdacarrier |
| Nombre/término del tipo de soporte |
recurso en línea |
| Código del tipo de soporte |
cr |
| 502 ## - NOTA DE TESIS |
|---|
| Nota de tesis |
Tesis |
| Tipo de título |
(Maestro en Ciencia y Tecnología Agroalimentaria) -- |
| Nombre de la institución que otorga el título |
Departamento de Ingeniería Agroindustrial, |
| Año de obtención del título |
2025 |
| Información miscelánea |
Maestría |
| 504 ## - NOTA DE BIBLIOGRAFÍA, ETC. |
|---|
| Nota de bibliografía, etc. |
Incluye bibliografías |
| 520 3# - SUMARIO, ETC. |
|---|
| Sumario, etc. |
El mezcal es una bebida destilada mexicana cuya diversidad biológica genera una amplia variabilidad en su composición química. Aunque esta heterogeneidad es parte de su identidad, también complica la caracterización objetiva por especie de Agave, aspecto relevante para la certificación del producto. Aunque su composición ha sido ampliamente estudiada, su uso con fines de clasificación ha sido poco explorado, a diferencia de otras bebidas destiladas. En ese contexto, los datos fisicoquímicos de certificación generados de manera rutinaria bajo métodos estandarizados representan una fuente accesible para desarrollar herramientas complementarias basadas en aprendizaje automático. El objetivo de esta investigación fue clasificar mezcales por especie de agave utilizando modelos de aprendizaje automático entrenados con dichos datos, para identificar los modelos idóneos para dicha tarea. Se analizaron 393 muestras certificadas de Oaxaca. La metodología incluyó un análisis estadístico mediante la prueba de Kruskal–Wallis para identificar variables con diferencias significativas entre especies. Posteriormente, se preparó y exploró el conjunto de datos, evaluando su desbalance y generando escenarios analíticos que permitieron comparar el desempeño de los modelos bajo distintas configuraciones. En la etapa de modelado se entrenaron más de mil modelos, resultado de evaluar seis algoritmos supervisados bajo múltiples configuraciones mediante validación cruzada y búsqueda de hiperparámetros. Se utilizó la métrica f1-score para identificar las configuraciones con mejor desempeño. De manera complementaria, se aplicó la metodología CATA para evaluar si las diferencias químicas identificadas por los modelos se reflejaban en la percepción del consumidor. Los resultados mostraron diferencias significativas entre especies en alcoholes superiores y metanol, además de modelos con alta capacidad de clasificación. En conjunto, los hallazgos demuestran que los datos fisicoquímicos de certificación pueden alimentar modelos capaces de distinguir mezcales por especie y ofrecen una base para el desarrollo de futuras herramientas computacionales de autentificación. |
| 520 3# - SUMARIO, ETC. |
|---|
| Sumario, etc. |
Mezcal is a Mexican distilled beverage whose biological diversity generates wide variability in its chemical composition. Although this heterogeneity is part of its identity, it also complicates the objective characterization by Agave species, an aspect relevant to product certification. Although its composition has been widely studied, its use for classification purposes has been little explored, unlike other distilled beverages. In this context, the physicochemical certification data routinely generated under standardized methods represent an accessible source for developing complementary tools based on machine learning. The objective of this research was to classify mezcales by agave species using machine learning models trained with these data, in order to identify the most suitable models for this task. A total of 393 certified samples from Oaxaca were analyzed. The methodology included a statistical analysis using the Kruskal–Wallis test to identify variables with significant differences between species. Subsequently, the dataset was prepared and explored, evaluating its imbalance and generating analytical scenarios that allowed comparison of model performance under different configurations. In the modeling stage, more than one thousand models were trained as a result of evaluating six supervised algorithms under multiple configurations through cross-validation and hyperparameter tuning. The f1-score metric was used to identify the configurations with the best performance. Complementarily, the CATA methodology was applied to assess whether the chemical differences identified by the models were reflected in consumer perception. The results showed significant differences between species in higher alcohols and methanol, as well as models with high classification capacity. Taken together, the findings demonstrate that physicochemical certification data can be used to train models capable of distinguishing mezcales by species and provide a basis for the development of future computational authentication tools. |
| 650 13 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
Alcoholes etílicos |
| Subdivisión general |
Propiedades sensoriales |
| Fuente del encabezamiento o término |
atg |
| 9 (RLIN) |
163452 |
| 650 13 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
Bebidas alcohólicas |
| Fuente del encabezamiento o término |
atg |
| 9 (RLIN) |
146806 |
| 650 13 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
Inteligencia artificial |
| Fuente del encabezamiento o término |
atg |
| 9 (RLIN) |
59507 |
| 650 13 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
Distilled spirits |
| Subdivisión general |
Sensory properties |
| Fuente del encabezamiento o término |
atg |
| 9 (RLIN) |
163455 |
| 650 13 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
Alcoholic beverages |
| Fuente del encabezamiento o término |
atg |
| 9 (RLIN) |
160443 |
| 650 13 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento de entrada |
Artificial intelligence |
| Fuente del encabezamiento o término |
atg |
| 9 (RLIN) |
156957 |
| 700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Aguirre Mandujano, Eleazar |
| 9 (RLIN) |
3008 |
| Término indicativo de función/relación |
director |
| 700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Aguirre Anaya, Eleazar |
| 9 (RLIN) |
189165 |
| Término indicativo de función/relación |
asesor |
| 700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Pérez López, Artemio |
| 9 (RLIN) |
149931 |
| Término indicativo de función/relación |
asesor |
| 856 ## - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Identificador Uniforme del Recurso |
http://10.13.5.2/tesis/t?/archivo.pdf |
| Nota pública |
DESCARGAR PDF |
| 942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA) |
|---|
| Fuente del sistema de clasificación o colocación |
Clasificación Universidad Autónoma Chapingo |
| Tipo de ítem Koha |
Tesis digital |
