Examinando por Materia "Machine learning"

Mostrando 1 - 8 de 8
  • Miniatura
    PublicaciónAcceso abierto
    Análisis de competencias adquiridas en la formación académica con las demandas laborales de ingenieros de sistemas utilizando técnicas de aprendizaje automático
    (Universidad de Córdoba, 2023-12-12) Hoyos Cordero, Teófilo José; Herazo Gonzalez, Sebastian; Salas Álvarez, Daniel José; Fernandez Arango, Alexander; Crawford Vidal, Richard Adolfo
    Esta investigación se enfocó en analizar las competencias adquiridas durante la formación académica de ingenieros de sistemas con las exigencias actuales del mercado laboral. La metodología empleada incorporó técnicas de Aprendizaje Automático para un análisis exhaustivo. El proceso se dividió en cuatro etapas fundamentales. En la primera etapa, se recopilaron ofertas de empleo y se evaluaron las habilidades técnicas requeridas por las empresas. La segunda fase implicó la creación de un cuestionario basado en estas habilidades. La tercera etapa incluyó la administración del cuestionario a egresados, registrando sus respuestas en una matriz binaria. Finalmente, en la última etapa, se utilizó un software de Aprendizaje Automático para cotejar las competencias demandadas por las empresas con las habilidades de los egresados. Los resultados obtenidos revelaron tanto coincidencias como discrepancias en habilidades blandas, como trabajo en equipo, liderazgo y comunicación efectiva, donde solo un pequeño porcentaje de los 109 egresados encuestados las posee. Por otro lado, existe una coincidencia significativa en habilidades técnicas como "inglés B1 o más," "Bases de datos" y "Metodologías Ágiles" entre las requeridas por el mercado laboral y las habilidades de los egresados. Estos hallazgos destacaron la presencia de brechas entre las competencias de los egresados y las requeridas por el mercado laboral. La implementación de software de Aprendizaje Automático facilitó una comparación cuantitativa precisa y orientada de los requerimientos de las empresas y las habilidades de los ingenieros de sistemas. En consecuencia, se resalta la necesidad de una capacitación adicional para los futuros ingenieros de sistemas en áreas específicas. Además, se proporcionan directrices para mejorar la formación académica, alineándola eficazmente con las cambiantes exigencias del mercado laboral. Este enfoque beneficia tanto a las instituciones educativas como a las futuras generaciones de ingenieros de sistemas, asegurando su competitividad y éxito en un entorno laboral en constante evolución.
  • Miniatura
    PublicaciónAcceso abierto
    Aplicación de algoritmos de machine learning en sistemas de refrigeración industrial para mantenimiento predictivo
    (Universidad de Córdoba., 2024-08-04) Argumedo Rhenals, Luis Felipe; León Herrera, Andrés David; López Pereira, Jorge Mario; Noble Ramos, Víctor Mario; Guerra Ochoa, Jairo Daniel
    El presente informe final de grado se enfoca en la aplicación de algoritmos de machine learning (ML), en adelante “aprendizaje automático”, para mantenimiento predictivo en sistemas de refrigeración industrial, basándose en un conjunto de datos experimentales obtenidos de la revista académica Scientific Data - Nature. Una de las metas de este proyecto es anticipar y clasificar las fallas en sistemas de refrigeración industrial, para así sugerir actividades de mantenimiento. Sin embargo, el conjunto de datos introdujo ciertas complejidades, ya que estaba etiquetado, pero presentaba un desequilibrio en la distribución de clases y contenía una cantidad considerable de datos atípicos. Para abordar estos desafíos relacionados con los datos, se emplearon una serie de técnicas para mejorar la calidad de estos. Se aplicaron procedimientos de filtrado, balanceo y normalización, asegurando que el conjunto de datos pudiera utilizarse de manera efectiva para el modelado predictivo. Como resultado, se realizaron predicciones utilizando 5 algoritmos de clasificación de aprendizaje automático entre ellos Árbol de decisión, Bosques aleatorios, Naive Bayes, KNN y Regresión Logística, seleccionando el algoritmo de árbol de decisión como eje central de nuestra investigación, debido a su excelente precisión y eficiencia para clasificar los tipos de errores identificados y su facilidad de interpretación. Se utilizó la función "get_decision_tree_rules" en el algoritmo elegido para extraer las reglas de decisión a partir de la estructura del árbol. Esto nos permitió expresar estas reglas en forma de condiciones lógicas, lo que simplificó la interpretación de las combinaciones y clasificaciones de las clases resultantes. Esta simplificación a su vez facilitó la construcción de tres matrices: la matriz normal, la matriz de error y la matriz de alertas.
  • Miniatura
    PublicaciónAcceso abierto
    Diseño de un sistema que permite identificar las aptitudes para el estudio de carreras stem basado en los resultados de las pruebas estandarizadas icfes saber 11
    (Universidad de Córdoba, 2023-12-20) Argüelles Monterrosa, Carlos de Jesús; Meléndez Armella, Lila Vanessa; Caicedo Castro, Isaac; Barreiro Pinto, Francisco Ricardo; García Hoyos , Rodrigo
    Este trabajo proviene de la carencia de orientación vocacional para los jóvenes Colombianos acerca de la elección de una carrera de pregrado acorde a sus aptitudes. Por lo tanto, nos encaminamos a diseñar un sistema inteligente que permita identificar las aptitudes para el estudio de carreras STEM basado en los resultados de las pruebas estandarizadas Saber 11 en la Universidad de Córdoba. Para lo cual, realizamos una encuesta de la cual obtuvimos 84 observaciones, que fue dirigida a una diversidad de estudiantes de distintas facultades y/o carreras, sobre todo de ingeniería, quienes ingresaron los resultados que obtuvieron en la Saber 11, las cuales son un requisito para ingresar a la educación superior en Colombia. A partir de los datos se evaluaron modelos de aprendizaje automático con la finalidad de encontrar la dependencia funcional entre los resultados y su rendimiento académico en la carrera escogida, medido por el promedio global acumulado (PGA). De los resultados de la evaluación de estos modelos, obtuvimos una exactitud de 75 %, una precisión de 66,19 %, una sensibilidad de 84,13 % y una media armónica (F1) de 72,04 % con el modelo Naïve Bayes. Esto marca un inicio significativo para la implementación del aprendizaje automático en el ámbito educativo, especialmente en las universidades públicas de Colombia. Este avance sienta las bases para investigaciones futuras más precisas que utilicen tecnología con el objetivo de ofrecer orientación más detallada a los jóvenes. Además, la recopilación de datos de la generación actual contribuirá a obtener resultados más exactos.
  • Miniatura
    PublicaciónAcceso abierto
    Diseño del sistema de información y control para el análisis de indicadores de las pqrs en la empresa Red Cárnica S.A.S a través de las herramientas de negocios power bi y machine learning
    (2021-07-23) Causil Miranda, Marianella; Galia Ester Alarcón Barrios
    En nuestro caso de estudio la empresa Athena Foods ha presentado una situación actual que implica efectos negativos en cuanto al control de las PQRS, los cuales traen consigo retrasos en los procesos en el sistema de respuesta de estas y teniendo como base darle mayor importancia a este tema en la organización en pro de buscar planes de acción que ayudarán a mitigar los retrasos incurridos y la insatisfacción presentada por clientes tanto potenciales como aquellos que empezaban a incursionar en nuestra organización. Así, se necesitaba encontrar alternativas de mejora que debían estar encaminadas hacia la mejora continua a través de comités de evaluación de indicadores de gestión, así como también inspeccionar cada novedad y hacer mayor énfasis en la cantidad de analistas de calidad para la disminución en los indicadores de gestión a desarrollar.
  • Miniatura
    PublicaciónAcceso abierto
    Entrenamiento de modelos de aprendizaje automático para clasificar estudiantes en posibles desertores o no desertores, en programas académicos de la Universidad de Córdoba
    (Universidad de Córdoba, 2023-11-10) Hoyos Vega, Jhon Jeiller; Morales Rivera, Mario Alfonso; Pérez Cantero, Kevin Luis
    El objetivo de esta investigación se fundamenta en la aplicación de algoritmos de aprendizaje automático supervisado como el de regresión logística, Naive Bayes, gradient boosting y redes neuronales, para clasificar a los estudiantes de los programas de matemáticas y estadística de la Universidad de Córdoba, en el lugar de desarrollo ubicado en Montería, en posibles desertores o no desertores del programa, a partir de información de variables socioeconómicas y académicas de los estudiantes al momento de ingresar, como la edad, el puntaje ICFES en matemáticas, el promedio acumulado ponderado y otras que resultan significativas en los estudios de deserción estudiantil y que se tenían disponibles. El estudio contó con una muestra de 852 estudiantes de estos programas que presentaron matrícula académica durante las cohortes de 2015-1 hasta 2021-2, con lo cual se dispuso de un tamaño de muestra suficiente para el entrenamiento y evaluación de los modelos por medio de la aplicación de validación cruzada. Los principales hallazgos en esta investigación muestran que los cuatro algoritmos considerados alcanzan precisiones similares y por encima del 73 %, evidenciando que la información disponible es suficiente para hacer una buena clasificación de estos estudiantes, entre los que pueden optar por abandonar o no sus estudios universitarios.
  • Miniatura
    PublicaciónRestringido
    Implementación de un sistema de identificación de residuos sólidos utilizando un sistema asistende para la clasificación de basuras
    (Universidad de Córdoba, 2024-07-11) Flórez Bohórquez, Miguel Ángel; Peña Rios, Juan Carlos; Gómez Gómez, Jorge Eliecer; Crawford Vidal, Richard Adolfo; Fernandez Arango, Alexander
    La investigación se enfocó en desarrollar un asistente para la clasificación de residuos sólidos. Con esto se plantearon tres objetivos específicos: analizar las tecnologías a usar, evaluar las distintas alternativas de diseño y desarrollar un sistema asistente de clasificación usando aprendizaje computacional. La metodología se dividió en tres etapas, la creación del prototipo, el diseño del sistema de detección de residuos y el desarrollo del software. La primera etapa se centró en el diseño del hardware y software inicial. En la segunda, se implementaron modelos para la detección y clasificación de residuos. En la tercera etapa, se desarrolló una interfaz para gestionar el sistema. Los resultados mostraron que las tecnologías como la visión artificial son efectivas para la clasificación de residuos. Por otro lado, se evaluaron distintas alternativas de diseño, dando prioridad a precisión y rapidez. Finalmente, se construyó un prototipo funcional. Esta investigación destaca la importancia de las nuevas tecnologías y la educación ambiental para la gestión de residuos. Para concluir, el sistema auxiliar desarrollado demostró ser una herramienta útil para la correcta clasificación de residuos. La unión con las tecnologías avanzadas es un camino necesario para fomentar las practicas sostenibles y asi mismo proteger el medio ambiente.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de machine learning para predecir el rendimiento académico en la asignatura producción de artefactos tecnológicos del programa de licenciatura en informática de la Universidad de Córdoba
    (Universidad de Córdoba, 2024-01-25) Echenique Hernández, Jesús David; Pantoja Wilches, Jabit Julio; Madera Doval, Dalia Patricia; Caro Piñeres, Manuel Fernando; Giraldo, Juan Carlos; Palomino, Miguel Ángel
    La implementación de modelos de aprendizaje automático ha emergido como una solución efectiva para prever el rendimiento académico en distintos niveles educativos, potenciando la calidad de los procesos de enseñanza y aprendizaje. Sin embargo, el escaso uso de análisis predictivo por parte de los docentes en la materia "Producción de Artefactos" ha generado resultados académicos inesperados. El propósito de esta investigación es desarrollar una estrategia de análisis predictivo basada en aprendizaje automático para predecir el desempeño de los estudiantes en dicha asignatura. La metodología empleada se fundamenta en los "Marcos de Investigación de Ciencia del Diseño", abarcando cinco fases. Una etapa crucial implica la recopilación de datos a través de una encuesta, explorando aspectos relacionados con los métodos de aprendizaje y los factores que influyen en estos procesos. Para la formulación de la estrategia de análisis predictivo, se consideran diversos modelos de aprendizaje automático, como la regresión lineal, los árboles de decisión y las redes neuronales. La estrategia diseñada utiliza un enfoque de árbol de decisión, demostrando un rendimiento superior en comparación con modelos de predicción alternativos, aplicando los hallazgos de la investigación. Este proyecto resalta la relevancia del análisis basado en aprendizaje automático y respalda la implementación de enfoques como los árboles de decisiones.
  • Miniatura
    PublicaciónAcceso abierto
    Modelo de recomendación de acciones para la prevención de la inasistencia escolar basado en un sistema predictivo de aprendizaje automático
    (Universidad de Córdoba, 2024-01-26) Arteaga Ramos, Andrés Felipe; Tapias López, Nayib de Jesús; Caro Piñeres, Manuel Fernando; Toscano, Alexander; Palomino, Miguel Ángel
    El ausentismo escolar ha calado en los planteles educativos, especialmente en el rendimiento académico y el desarrollo de los estudiantes. Este fenómeno se manifiesta cuando los estudiantes presentan faltas reiteradas en el aula. El presente estudio devela un modelo de aprendizaje automático que aborda la inasistencia escolar al anticipar factores clave y proporcionar recomendaciones preventivas, utilizando la metodología de investigación en ciencia del diseño, se recopilaron y procesaron datos para identificar patrones asociados con la inasistencia. El modelo de predicción, evaluado con diversos algoritmos, demostró una eficacia destacada, especialmente con el bosque aleatorio, alcanzando porcentajes entre el 91,67% y el 99,99%. Además, se integró un sistema de prescripción al modelo de predicción para ofrecer recomendaciones y prevenir la inasistencia en estudiantes en riesgo.