Browsing by Subject "XGBoost"

0-9ABCDEFGHIJKLMNOPQRSTUVWXYZ
Now showing 1 - 2 of 2
  • No Thumbnail Available
    ItemOpen 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 Javier
    La 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.
  • No Thumbnail Available
    ItemOpen 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 Leopoldo
    El 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 informática