Tesis - Maestría en Sistemas de Información mención en Data Science

Código QR

Entérate cómo entregar tus trabajos de titulación

Permanent URI for this collection

https://repositorio.puce.edu.ec/handle/123456789/545

Browse

Browsing Tesis - Maestría en Sistemas de Información mención en Data Science by Subject "Aprendizaje automático no supervisado"

0-9ABCDEFGHIJKLMNOPQRSTUVWXYZ
Now showing 1 - 5 of 5
  • No Thumbnail Available
    ItemOpen Access
    Análisis de la contratación y asignación de ingenieros de campo en una empresa de tecnología médica
    (PUCE - Quito, 2024) Ponce Ortiz, David de Jesús; Tipantuña Tenelema, Christian José
    Los requerimientos de automatización, optimización y digitalización de procesos se han vuelto clave en la mejora de productividad y ganancias dentro de una empresa. En este contexto, la optimización de la asignación de recursos, como los ingenieros de campo, es fundamental para garantizar un servicio técnico eficiente y de calidad en cualquier área, sea de salud, automotriz, telecomunicaciones, tecnologías de la información, entre otras. El trabajo de titulación presenta un modelo predictivo para la asignación y contratación de CSEs en Siemens Healthineers Ecuador, considerando factores geográficos, experiencia del técnico y la demanda de servicio. Se implementa la metodología CRISP-DM para guiar el proceso de minería de datos, desde la comprensión del negocio hasta el despliegue de la solución. Se exploraron diversos modelos de agrupamiento, incluyendo K-Means, Modelo Gausiano Mixto y Agrupamiento Aglomerativo, para determinar la ubicación óptima de los CSEs en función de la demanda de servicio y la distribución geográfica de los equipos.La evaluación de los modelos se realizó tanto teóricamente, utilizando métricas como el coeficiente de silueta y experimentalmente, considerando factores como la distancia a los equipos y el equilibrio de la carga de trabajo. K-Means se destacó por su capacidad para incorporar criterios específicos del negocio a través de un sistema de pesos, lo que permitió una asignación más estratégica y eficiente de los CSEs. El resultado final fue un modelo predictivo que, al ser integrado en una interfaz de usuario intuitiva, facilita la toma de decisiones informadas y contribuye a mejorar la calidad del servicio técnico y la satisfacción del cliente.
  • No Thumbnail Available
    ItemOpen Access
    Automatización de la logística de última milla mediante técnicas de inteligencia artificial
    (PUCE - Quito, 2024) Tamayo Proaño, Sebastián Felipe; Mora Londoño, Edison Vicente
    El presente trabajo de titulación corresponde al desarrollo de LUMA (Logística de Ultima Milla Automatizada) cuyo enfoque consiste en la automatización de la fase de planificación de la asignación de mercancías a vehículos de despacho.A lo largo de cada capítulo, se detallan los procesos que fueron empleados para el desarrollo de LUMA, entre ellos, se utilizaron técnicas de aprendizaje no supervisado mediante la agrupación en clústeres que permitió identificar sectores de entrega a los que, posteriormente, se les asigno vehículos de despacho de acuerdo con un algoritmo que fue desarrollado para dicho propósito; para que, finalmente, las mercancías identificadas de cada sector, sean atribuidas a los vehículos correspondientes.Sin embargo, para esto se tuvo que realizar una exploración y preparación de datos con registros históricos de mercancías despachadas, donde, se emplearon diversas técnicas para identificar parámetros óptimos que permitieron obtener un resultado adecuado del modelo de agrupación en clústeres.Finalmente, se demostró que la propuesta de solución para la optimización de la logística de última milla, basada en el uso de aprendizaje no supervisado y la agrupación en clústeres, tuvo éxito al disminuir los porcentajes de subutilización de vehículos en cuanto a sus capacidades.
  • No Thumbnail Available
    ItemOpen Access
    Implementación de un algoritmo ML de aprendizaje no supervisado para la creación de un cronograma de mantenimiento vial de las vías rurales de la provincia de Santo Domingo de los Tsáchilas
    (PUCE - Quito, 2023) Pérez Huachamboza, Martín Mauricio; Montero Bermúdez, Eduardo José
    Este trabajo investiga la optimización del mantenimiento vial en Santo Domingo de los Tsáchilas mediante el uso de algoritmos de Machine Learning no supervisados, específicamente a través del análisis de clústeres. Utilizando la metodología CRISP-DM, se analizaron datos históricos y actuales de las vías, enfocándose en variables como longitud, estado de la vía, y producción económica, para identificar patrones y priorizar intervenciones de mantenimiento. Los resultados muestran una segmentación efectiva de las vías que permite una planificación de mantenimiento más precisa y enfocada.
  • No Thumbnail Available
    ItemOpen Access
    Segmentación de donantes potenciales de una fundación mediante algoritmos de aprendizaje automático
    (PUCE - Quito, 2024) Carlozama Villota, Juan Carlos; Melgarejo Heredia, Rafael
    La presente tesis tiene como objetivo desarrollar un modelo de segmentación de donantes potenciales para una fundación, utilizando algoritmos de aprendizaje automático.Este proyecto busca identificar variables clave para la segmentación basada en comportamientos y patrones de donación, recopilar datos relevantes sobre donantes, y evaluar la precisión y eficiencia del algoritmo implementado. La metodología utilizada se basa en el enfoque CRISPDM y se aplicarán técnicas de aprendizaje no supervisado.
  • No Thumbnail Available
    ItemOpen Access
    Técnicas de fusión de datos para la predicción de plagas en cultivos de pitahaya en el cantón Joya de los Sachas
    (PUCE - Quito, 2024) Logroño Naranjo, Santiago Israel; Chango Sailema, Wilson Gustavo
    En la región amazónica de Ecuador, especialmente en el cantón Joya de los Sachas, la producción de pitahaya ha crecido considerablemente desde 2015 debido a su alta demanda en mercados nacionales e internacionales. Este crecimiento ha traído consigo desafíos relacionados con la gestión de plagas y enfermedades que afectan la calidad y cantidad de la producción. A pesar de los avances en la producción de pitahaya, los métodos actuales de manejo de plagas no han sido completamente efectivos, resultando en pérdidas económicas significativas. La literatura evidencia una brecha en la implementación de tecnologías avanzadas que integren datos meteorológicos y de campo para mejorar la predicción y gestión de plagas. Específicamente, en la región de Joya de los Sachas, existe una necesidad urgente de desarrollar métodos más eficaces para abordar esta problemática. Este estudio propone abordar la brecha identificada mediante la implementación de técnicas de fusión de datos que integren información climática y de campo, optimizando así la predicción y gestión de plagas en cultivos de pitahaya. Se aplican técnicas de aprendizaje no supervisado y reducción de dimensionalidad para clasificar datos relacionados con la clorofila en plantas, utilizando algoritmos como MeanShift y MiniBatchKMeans. Se emplea PCA, IPCA y KernelPCA para reducir la dimensionalidad y mejorar la precisión de los modelos de clasificación.Los resultados indican que PCA y KernelPCA con kernel lineal son los métodos más efectivos para la reducción de dimensionalidad en este contexto, con una precisión de hasta 0.9699 en la clasificación de plantas con y sin plaga. Sin la fusión de ciertos datos, se observa una ligera disminución en la precisión, lo que sugiere que la fusión de datos es beneficiosa en este contexto. Este estudio subraya la importancia de la fusión de datos y la implementación de técnicas avanzadas de reducción de dimensionalidad para mejorar la predicción de plagas en cultivos de pitahaya. La investigación proporciona un modelo que puede ser replicado en otras regiones, promoviendo prácticas agrícolas más sostenibles y resilientes en la Amazonía ecuatoriana y más allá.