Browsing by Subject "Machine learning"
Now showing 1 - 9 of 9
Results Per Page
Sort Options
Item Open Access 
Aplicación web con machine learning como herramienta de apoyo para estudiantes con dificultad en el aprendizaje de las matemáticas en la unidad educativa Jaime Ruperto Yerovi del Cantón Santo Domingo(PUCE - Santo Domingo, 2025) Castillo Zurita, Bryan Ramiro; Yugcha Ramírez, Romel Danilo; Ocampo Pazos, Willian JavierLa discalculia es un trastorno específico del aprendizaje que afecta la capacidad de comprender las matemáticas y requiere estrategias especiales para superarlo. Teniendo en cuenta lo anterior, el objetivo de este estudio es implementar una aplicación web basada en aprendizaje automático para apoyar a los estudiantes con dificultad en el aprendizaje de las matemáticas en la Unidad Educativa Jaime Ruperto Yerovi del estado Santo Domingo. Para identificar las necesidades, se utilizó un método basado en encuestas a estudiantes y entrevista al docente, así como un método ágil utilizando Scrum. Por otro lado, el algoritmo de árbol de decisiones se utilizó para personalizar el aprendizaje y el marco Laravel se empleó para optimizar el proceso de desarrollo. Como resultado, la herramienta de apoyo ha mejorado significativamente en el aprendizaje de las matemáticas. Además, también se observó un alto nivel de aceptación por parte de la comunidad educativa, donde se reconoce que el uso de tecnologías avanzadas promueve la educación inclusiva. Por lo tanto, la combinación del aprendizaje automático con métodos flexibles optimiza el aprendizaje personalizado, sin embargo, aún quedan muchos desafíos, como la formación docente y el acceso equitativo a los recursos tecnológicosItem Open Access Aplicación web con machine learning para el seguimiento del refuerzo pedagógico en la Unidad Educativa Eloy Alfaro del Cantón Santo Domingo(PUCE - Santo Domingo, 2025) Maila Condoy, Steeven Andrés; Quero Quichimbo, Katherin; Ocampo Pazos, Willian JavierEl ámbito educativo se encuentra en constante desarrollo, lo que obliga a las instituciones educativas a adoptar nuevas técnicas que permitan potenciar los procesos que se gestionan dentro de cada uno de estos centros de conocimiento. Por lo tanto, en la Unidad Educativa “Eloy Alfaro” ubicada en el cantón de Santo Domingo, por medio de encuestas se logró determinar deficiencias en la gestión del proceso de refuerzo pedagógico. Con el fin de darle solución a esta problemática, se creó una aplicación web con Django, React y PostgreSQL la cual integra el modelo de machine learning XGBoost para predecir que estudiantes podrían tener problemas de aprendizaje y necesitarían refuerzo, además, es importante destacar que el desarrollo de este proyecto estuvo bajo el marco de trabajo Scrum. Se utilizó un enfoque de diseño preexperimental con el tipo de investigación cuantitativa, por lo cual la recopilación de datos realizada mediante encuestas (pre test y un post test) con una muestra de 40 estudiantes. Por último, se concluye que la implementación de tecnologías actuales e innovadoras mejoraron eficazmente la gestión de refuerzo pedagógico en la unidad educativaItem Open Access Aplicación web con machine learning para la gestión de recursos humanos en la Empresa Imporcoelec del Cantón Santo Domingo(PUCE - Santo Domingo, 2024) Gonzalez Alcolado, Arnoldo Rafael; Tumbaco Freire, Lizbeth Ivonne; Ocampo Pazos, Willian JavierEl presente trabajo aborda la relevancia de los procesos que conlleva el Departamento de Recursos Humanos. Se realizó la base teórica de este estudio que se sustenta en la recopilación de datos de diferentes fuentes, que exploran en detalle las variables clave: aplicación web, machine learning y la gestión de talento humano. Además, la metodología que se empleó es cuantitativa con un diseño preexperimental,aplicada y de campo, con una población compuesta de 40 empleados y 2 miembros con funciones administrativas. Para dar solución se implementó una aplicación web con machine learning que puede fortalecer los procesos del Departamento de Recursos Humanos de la “IMPORCOELEC” del Cantón Santo Domingo. Se optó por emplear una arquitectura basada en React.js para la interfaz de usuario y Tailwind, mientras que para el backend se seleccionó FastAPI. Respecto a la base de datos, se prefirió MySQL. Además, para analizar las hojas de vida de los postulantes, se empleó la librería openAI de Python que se puede utilizar el machine learning para minimizar el tiempo y el coste en actividades de anotación humanaItem Open Access Clasificación de comentarios tóxicos en redes sociales mediante machine learning(PUCE - Esmeraldas, 2023) Bedoya Benavides, Jair OswaldoEn esta investigación, se aborda el problema de comentarios tóxicos en redes sociales, y cómo la inteligencia artificial (IA) y el aprendizaje automático (Machine Learning) pueden ayudar. Se presenta el desarrollo de un modelo de clasificación empleando IA con técnicas de machine learning que permita identificar comentarios tóxicos en Twitter. El clasificador planteado, elaborado en Python, se estableció con 7 diferentes algoritmos a los que se les empleó enfoques o estrategias para la clasificación de etiquetas múltiples, preprocesamiento, limpieza y visualización de datos. Este modelo fue entrenado con un total de 159571 comentarios del conjunto de datos del repositorio Kaggle denominado Jigsaw, el cual tiene los comentarios clasificados con diversas características. Posteriormente del entrenamiento, evaluación y comparación del modelo creado se consiguió como resultado un clasificador capaz de identificar palabras o comentarios tóxicos y ofensivos cuya precisión fue del 92.16%Item Open Access Clasificación de comentarios tóxicos en redes sociales mediante machine learning(PUCE - Esmeraldas, 2023) Revelo Bautista, María FernandaEn esta investigación, se aborda el problema de comentarios tóxicos en redes sociales, y cómo la inteligencia artificial (IA) y el aprendizaje automático (Machine Learning) pueden ayudar. Se presenta el desarrollo de un modelo de clasificación empleando IA con técnicas de machine learning que permita identificar comentarios tóxicos en Twitter. El clasificador planteado, elaborado en Python, se estableció con 7 diferentes algoritmos a los que se les empleó enfoques o estrategias para la clasificación de etiquetas múltiples, preprocesamiento, limpieza y visualización de datos. Este modelo fue entrenado con un total de 159571 comentarios del conjunto de datos del repositorio Kaggle denominado Jigsaw, el cual tiene los comentarios clasificados con diversas características. Posteriormente del entrenamiento, evaluación y comparación del modelo creado se consiguió como resultado un clasificador capaz de identificar palabras o comentarios tóxicos y ofensivos cuya precisión fue del 92.16%Item Open Access Evaluación de técnicas de machine learning, random forest y xgboost para la detección de troyanos(PUCE - Ambato, 2024) Luna Haro, César David; Arellano Aucancela, Alberto LeopoldoEl objetivo de este estudio era evaluar técnicas de aprendizaje automático, en concreto Random Forest y XGBoost, para la detección de troyanos. La idea central fue que ambos métodos resultarían eficaces en esta tarea. La metodología consistió en seleccionar características relevantes y utilizar un conjunto de datos representativo. Los resultados demostraron que tanto Random Forest como XGBoost alcanzaron una efectividad del 99% en la detección de troyanos, con una ligera diferencia de XGBoost. Esta diferencia se atribuye a la gestión eficaz y adaptable de la complejidad del conjunto de datos por parte de XGBoost, que optimiza la precisión del modelo, al no registrar falsos positivos. La solidez de estos resultados se ve reforzada por los datos de evaluación recopilados. La importancia de este hallazgo radica en la aplicación con éxito del aprendizaje automático para la detección de amenazas de ciberseguridad, con implicaciones críticas para la seguridad de la información en entornos corporativos. El estudio destaca la eficacia de Random Forest y, en particular, de XGBoost en la detección de troyanos, lo que ofrece información valiosa para la supervisión de amenazas en tiempo real. Los autores sugieren considerar XGBoost como la mejor alternativa en este contexto, subrayando la importancia permanente de explorar y perfeccionar las técnicas de aprendizaje automático para mejorar la seguridad informáticaItem Open Access Evaluación por inteligencia artificial a un instrumento de estrategias de aprendizajes en estudiantes universitarios ecuatorianos(2024-04-15) Sabando García, Ángel Ramón; Ugando Peñate, Mikel; Armas Herrera, Reinaldo; Higuerey Gómez, Ángel Alexander; D’Elia Di Michele, Pierina; Inga Llanez, Elvia Rosalía; Sabando García, Ángel RamónResumen: Actualmente, las estrategias de aprendizaje que utilizan los estudiantes universitarios son muy diversas y acompañada de la tecnología. Este estudio aplica machine learning para evaluar el instrumento de medición de estrategias de aprendizaje en estudiantes universitarios. Se empleó técnicas correcional, mediante las estadísticas uinvariante y multivariante. Además, se utilizó metodología de Cross-Industry Standard Process for Data Mining (CRISP-DM). El instrumento fue aplicado a una muestra de 984 estudiantes de la Pontificia Universidad Católica del Ecuador sede Santo Domingo, de diferentes carrera de grado. Las variables endógenas fueron; Escala I y II; mientras que las explicativas fueron: estrategias motivacionales, metacognitivas, de elaboración de procesos, de control del contexto y de búsqueda. Los resultados permitieron determinar una alta confiabilidad de las preguntas, mientras que las cargas factoriales de los constructos y de las variables endógenas, permitieron comprobar que los índices son propios de cada componente de las estrategias de aprendizajeItem Open Access Prototipo de una aplicación de reconocimiento emocional aplicable en el área de la salud(PUCE - Esmeraldas, 2023) Andrade Ortiz, Santiago MarceloEste artículo aborda el reconocimiento emocional a través de expresiones faciales capturadas en tiempo real, mediante inteligencia artificial (IA), enfocándose en su aplicación en el ámbito de la salud. Se explora el uso de redes neuronales convolucionales para analizar imágenes faciales y detectar emociones como enojo, felicidad, tristeza y neutralidad. Se emplea el conjunto de datos CK+ para entrenar el modelo y se realiza un exhaustivo preprocesamiento de datos. La arquitectura de red neuronal ResNet se selecciona como base debido a su eficacia. El modelo desarrollado muestra altos niveles de precisión y baja pérdida tanto en el conjunto de entrenamiento como en el de validación. Se observa un desempeño sobresaliente en la identificación de emociones faciales. Además, se crea una aplicación web interactiva que utiliza el modelo para analizar y clasificar emociones en tiempo real y almacena los registros correspondientes en una base de datos. El modelo es sometido a pruebas con un grupo diverso de 10 personas que abarcan diferentes edades, géneros y etnias. A cada individuo se les solicita que mantengan una expresión facial específica durante un período de tiempo determinado. En conjunto, el artículo presenta un prototipo funcional de reconocimiento emocional basado en IA, aplicable en salud para automatizar la evaluación inicial del paciente y acelerar procesos de diagnóstico para evaluar al paciente de forma integral ya que el diagnóstico no se limitaría a un nivel físico sino también psicológico.Item Open Access Sistema iot con machine learning para el control de estacionamiento vehicular en el Comercial Miñaca del Cantón Santo Domingo.(PUCE - Santo Domingo, 2024) Carrascal Cedeño, Byron David; Cruz Zambrano, Patricio Ivan; Ocampo Pazos, Willian JavierEl control de estacionamiento vehicular permite gestionar la disponibilidad de plazas existentes mediante sensores, la adopción de sistemas inteligentes con IoT en los estacionamientos, mantienen un registro correspondiente a la entrada y salida de vehículos, generando así datos que tienen valor para la toma de decisiones. En el Comercial Miñaca del cantón Santo Domingo, se evidenció con encuestas que existe un inadecuado control del estacionamiento vehicular. Por lo cual, se empleó un enfoque cuantitativo con diseño pre-experimental, por contexto de la investigación se aplicó el muestreo por conveniencia, obteniendo así datos de 80 clientes que, durante un mes, utilizaron los 4 primeros estacionamientos de 23 en total. Con el propósito de resolver el problema, se desarrolló una aplicación web con React, Django y MySQL, para la visualización del estacionamiento, se crearon sensores con un ESP8266 y el HC-SR04, el cual detecta la presencia de un vehículo, se incorporó el algoritmo regresión logística de Machine Learning para el pronóstico de clientes y se desplegó una infraestructura local con Ubuntu Server y en la nube con Digital Ocean, todo este desarrollo se manejó con el marco de trabajo Scrum.