Browsing by Subject "Machine Learning"
Now showing 1 - 8 of 8
Results Per Page
Sort Options
Item Open Access 
Aplicación web con machine learning para gestión contable en la empresa Divinas Import del Cantón Santo Domingo(PUCESD-Santo Domingo, 2026) Gongora Ramos , Gino Alexander; Anchala Montoya , Tito Dominic; Ocampo Pazos, Willian JavierLa incorporación de tecnologías ha impulsado nuevas soluciones que representan una oportunidad para el control contable de las empresas. Conforme a lo mencionado, la investigación se desarrolló en el negocio DIVINAS IMPORT ubicada en el cantón Santo Domingo, donde se evidenciaron problemáticas que afectan directamente los procesos contables. Para abordarlas, se implementó una aplicación web con machine learning destinada a fortalecer los procesos del negocio. Durante el desarrollo, se utilizó Node.js y Next.js, tecnologías que facilitaron la creación de la plataforma web, complementada con el algoritmo XGBoost de Python, el cual permitió generar predicciones sobre el inventario, con el marco de trabajo Scrum. Además, la investigación se sustentó en un enfoque cuantitativo, un diseño experimental, y se clasificó como aplicada y de campo. Para validar la hipótesis se aplicaron encuestas a los clientes del negocio evaluando el impacto del sistema en un antes y después de su implementación, los datos fueron evaluados a través de un análisis de regresión binaria, que sirvió para rechazar la hipótesis nula (H0). En conclusión, la adopción de herramientas tecnológicas favorece la transformación digital de un negocio, promoviendo la innovación empresarial mediante el fortalecimiento de la gestión contable.Item Open Access Aplicación web con machine Learning para la gestión de adopción de mascotas en el centro veterinario mi mascota del cantón Santo Domingo(PUCESD-Santo Domingo, 2026) Ortiz Jaramillo , Jaime Arturo; Zamora Menendez , Nathaly Jaritza; Ocampo Pazos, Willian Javier"Aplicación web con machine Learning para la gestión de adopción de mascotas en el centro veterinario mi mascota del cantón Santo Domingo Ortiz Jaramillo Jaime Arturo Zamora Menendez Nathaly Jaritza La gestión de adopción de mascotas es un proceso de suma importancia para el bienestar animal, pero como cualquier proceso de gestión este enfrenta varios desafíos. En las encuestas aplicadas a los clientes se evidenció escasa información sobre el proceso de adopción, insuficiente visibilidad de animales disponibles para adopción. El enfoque que se adoptó para este proyecto de integración curricular fue cuantitativo con un diseño pre experimental, se elaboró un muestreo censal que incluyó a los clientes con el fin de reunir datos sobre el proceso. Para enfrentar esta problemática, se propuso la implementación de una aplicación web con machine learning, con el objetivo de fortalecer la gestión de adopción de mascotas en el Centro Veterinario Mi Mascota del cantón Santo Domingo. Por consiguiente, en la propuesta de intervención se empleó herramientas como: el framework frontend Vue.js, el frameworks backend Express.js, el gestor de base de datos PostgreSQL, el patrón arquitectónico Modelo Vista Controlador (MVC), y, por último, la técnica de Filtrado Híbrido (Hybrid Filtering) por su capacidad para integrar métodos de filtrado, tales como el filtrado colaborativo y filtrado basado en contenido. Por otro lado, para validar la hipótesis, se utilizó regresión logística binaria. "Item Open Access Aplicación web con machine learning para la gestión de historial médico de mascotas en el Hospital Veterinario Santa Martha del Cantón Santo Domingo(PUCESD-Santo Domingo, 2026) Paredes Romero, Jenniffer Tahis; Herrera Chancay , Jordan Stalin; Ocampo Pazos, Willian JavierEl presente trabajo de titulación tiene como finalidad fortalecer la gestión del historial médico de las mascotas del Hospital Veterinario Santa Martha, ubicado en el cantón Santo Domingo. La investigación se fundamenta en una base teórica creada a partir del análisis de diversas fuentes bibliográficas que contienen antecedentes de aplicaciones web, machine learning y la gestión de clínicas veterinaria. La metodología utilizada corresponde a un enfoque cuantitativo, con un diseño aplicado y de campo. Para la recolección de información se consideró la opinión de los dueños de las mascotas. Se implementó la aplicación web desarrollada con Python, usando Vue.js y FastAPI, para la base de datos se utilizó MySQL y la arquitectura la modelo vista controlador (MVC). Esta propuesta permite el registro, consulta y administración eficiente de los historiales clínicos de las mascotas, incorporando técnicas de machine learning, usando árbol de decisión como algoritmo determinado. El sistema propuesto contribuye a la optimización de los procesos médicos, mejorando la organización de los datos y la calidad del servicio veterinario brindado a los dueños de las mascotas.Item Open Access Desarrollo de un modelo de análisis de sentimientos enfocado en la encuesta de evaluación docente de una institución educativa superior(PUCE - Quito, 2025) Govea Sotomayor, Jaime Alejandro; Escobar Terán, Charles EdissonEl presente trabajo de titulación aborda el desarrollo, evaluación y comparación de distintos modelos de análisis de sentimientos diseñados específicamente para procesar las respuestas abiertas en las encuestas de evaluación docente de una institución de educación superior. Los modelos desarrollados utilizaron los algoritmos de machine learning Naive Bayes y Random Forest con las técnicas de vectorización Bag of Words y Tf-Idf respectivamente. El tercer modelo se desarrolló utilizando la técnica de vectorización Word2Vec y una arquitectura de una red neuronal recurrente del tipo Long Short-Term Memory. Se aplicó la misma metodología para el entrenamiento de los tres modelos, se realizó un proceso de limpieza, tokenización y lematización de los datos. Luego, se llevó a cabo la vectorización de los datos preprocesados para poder aplicar los algoritmos de clasificación, entrenar los modelos y finalmente evaluarlos sobre un conjunto de datos de prueba. Este enfoque de procesamiento de lenguaje natural posibilita la transformación de datos cualitativos en métricas cuantificables, clasificando automáticamente las opiniones de los estudiantes en tres categorías principales: positivas, negativas y neutras. El objetivo principal de esta investigación es optimizar el proceso de evaluación docente, proporcionando a los coordinadores de carrera una herramienta que reduzca significativamente el tiempo dedicado al análisis de respuestas abiertas. Además, el modelo busca minimizar la subjetividad inherente a la interpretación manual de las evaluaciones, ofreciendo un método más sistemático y objetivo para la valoración del desempeño docente. Los resultados obtenidos demuestran la viabilidad y efectividad del uso de modelos de clasificación para procesar grandes volúmenes de respuestas textuales, proporcionando análisis consistentes y objetivos que facilitan la labor administrativa en la evaluación del personal docente.Item Open Access Desarrollo de un modelo predictivo basado en Machine Learning para anticipar emergencias por especialidad y estaciones de Bomberos del Distrito Metropolitano de Quito(PUCE - Quito, 2024) Moina Campos, Manuel Eduardo; Nicolalde Rodríguez, Damián AníbalEste trabajo presenta el desarrollo de un modelo predictivo basado en técnicas de Machine Learning cuyo objetivo es anticipar la cantidad de emergencias atendidas por Bomberos del Distrito Metropolitano de Quito. La motivación principal radica en la complejidad en la diversidad de especialidades de emergencias que atiende Bomberos: incendios, rescates, materiales peligrosos, atención prehospitalaria y eventos hídricos y meteorológicos, los cuales se distribuyen de manera desigual en el territorio y demandan una respuesta efectiva. Para abordar este problema, se recopilaron y analizaron datos históricos de los años 2022, 2023 y 2024, procedentes de los registros oficiales de Bomberos del Distrito Metropolitano de Quito. Estos datos incluyen la fecha y hora de la emergencia, la estación que brindó la atención, la especialidad de la emergencia entre otras variables relevantes. Previo al modelado, se realizó un proceso de limpieza de datos, eliminando columnas que no aportaban valor a la predicción y transformando variables categóricas para que pudieran procesarse correctamente. Por otra parte, se integraron nuevas variables como el día de la semana, se agruparon las emergencias por especialidad, fecha y día del mes y se agregó la variable número de emergencias con el fin de capturar posibles patrones temporales. Como parte de la metodología se integró CRISP-DM, partiendo de la comprensión del negocio continuando con la preparación de datos y finalizando con la validación y evaluación del modelo. El algoritmo escogido fue Random Forest, seleccionado por su robustez ante valores atípicos, su capacidad de manejar variables heterogéneas y su facilidad para capturar relaciones no lineales. Los resultados obtenidos evidencian que el modelo es capaz de predecir con un error moderado la frecuencia de emergencias en las distintas estaciones, identificando tendencias con cierto grado de confiabilidad. Sin embargo, aún se observan limitaciones en escenarios puntuales como fines de semana largos debido a feriados o eventos meteorológicos extremos. Estas situaciones exigen variables adicionales como datos climáticos.Item Open Access Empresas comerciales zombis ecuatorianas: Una clasificación mediante Machine Learning(2024-04-15) Ugando Peñate, Mikel; Sabando García, Ángel Ramón; Armas Herrera, Reinaldo; Higuerey Gómez, Ángel Alexander; D’Elia Di Michele, Pierina; Inga Llanez, Elvia Rosalía; Ugando Peñate, Mikel"En este artículo se ha estudiado que metodología de Machine Learning predice de forma más acertada la presencia de empresas zombis en el sector comercial ecuatoriano. Para ello, se emplearon datos de estas empresas en los años, 2019, 2020 y 2021. La variable zombi se definió como una variable binaria que tomaba el valor de uno si la empresa había tenido patrimonio negativo los tres años anteriores, y cero en otro caso. Los resultados determinaron que los distintos métodos de Machine Learning son precisos a la hora de predecir empresas zombis,si bien la regresión logística arroja los mejores resultados en términos de las curvas ROC en los años 2019 y 2020, no estando el resto de los métodos muy alejados en términos de resultados. Para el resto de las métricas de evaluación, el Random Forest es la mejor técnica independiente del año estudiado."Item Open Access Evaluación y comparación de modelos predictivos basados en Machine Learning para la prevención de la deserción académica en una institución universitaria.(PUCE - Quito, 2025) Oña Tituaña, Jenny Marisol; Mora Londoño, Édison VicenteEl presente trabajo de titulación tiene como objetivo desarrollar y comparar tres modelos de clasificación basados en algoritmos de Machine Learning, para predecir la deserción universitaria en una universidad privada del Ecuador. Estos modelos se plantean como una herramienta de alerta temprana, diseñada para identificar a los estudiantes en riesgo de abandonar sus estudios y, de esta manera, permitir a las instituciones de educación superior implementar medidas preventivas que fomenten la retención estudiantil. Para cumplir este propósito se emplean los algoritmos Random Forest, Adaptive Boosting y Gradient Boosting debido a su robustez en problemas de clasificación. Random Forest combina múltiples árboles de decisión para manejar datos complejos y reducir el sobreajuste. Adaptive Boosting ajusta el peso de las observaciones mal clasificadas en cada iteración, mejorando la detección de patrones en datos desbalanceados. Gradient Boosting, al optimizar la función objetivo ajustando las predicciones residuales, es eficaz en la captura de relaciones complejas y no lineales. El análisis se llevará a cabo utilizando un conjunto de datos privados que incluye variables representativas de factores académicos, personales, e institucionales asociados al riesgo de deserción. La metodología CRISP-DM (Cross-Industry Standard Process for Data Mining) guiará el proceso de desarrollo, asegurando un enfoque estructurado para la preparación, análisis y evaluación de los datos.Item Open Access Predicción de la demanda en Grupo Gloria Ecuador basado en algoritmos de ensamble un enfoque a Machine Learning para optimizar la gestión de inventario y mejorar la precisión predictiva de venta(PUCE - Quito, 2025) Benalcázar Cisneros, Paúl Queisson; Montero Bermúdez, Eduardo JoséGrupo Gloria Ecuador es una empresa que se dedica a la industria de consumo masivo principalmente al lácteo y sus derivados. Forma parte del Grupo Gloria una empresa multinacional originaria de Perú y consolidada en países de Latinoamérica como Colombia, Uruguay, Chile, Puerto Rico y Ecuador. Grupo Gloria cumple un objetivo común para todas sus empresas es de satisfacer las necesidades de los consumidores en el sector de alimentos y bebidas. La era digital que actualmente se vive a nivel mundial ha transformado el ambiente empresarial global, donde la industria láctea tampoco está exenta. El crecimiento exponencial en la recolección de los datos y el avance tecnológico ha causado que las empresas adopten nuevas soluciones innovadoras para optimizar las operaciones. En este marco la predicción de la demanda es una herramienta ideal para la eficaz gestión de la cadena de suministro y llegar a tomar decisiones estratégicas que ayuden a la empresa. Actualmente Grupo Gloria Ecuador realiza análisis descriptivo de sus ventas, pero no aplica las nuevas tecnologías como aprendizaje automático. Estas herramientas permiten predecir la demanda futura ya que es crucial y garantiza la disponibilidad de los productos en el mercado con el fin de minimizar costo de inventario y maximizar la complacencia del cliente. La importancia de anticipar a la volatibilidad de la demanda permite a la empresa ajustar los niveles de producción y optimizar su distribución de producto terminado. Los algoritmos de Machine Learning (ML) son una herramienta útil para las empresas permitiendo conseguir conocimiento de los datos ayudando a mejorar la predicción de sus ventas (Kelleher & Mac Namee, 2014). Cada uno de los algoritmos tiene la característica fundamental de manejar grandes volúmenes de datos permitiendo descubrir patrones muy complejos que para la estadística tradicional quizás sean imperceptibles (Athanasopoulos & Hyndman , 2021) .