Maestría en Ingeniería de Software
Permanent URI for this collection
Browse
Browsing Maestría en Ingeniería de Software by Author "Álvarez Vargas, Gloria Inés"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Desarrollo de una herramienta para la detección y clasificación del grado de ambigüedad en requisitos de software mediante el uso de técnicas de inteligencia artificial(Pontificia Universidad Javeriana Cali, 2021) Nova Sánchez, Edgar Darío; Álvarez Vargas, Gloria InésEl presente trabajo de grado propone el uso de técnicas de aprendizaje supervisado y supervisión débil para realizar la clasificación en tres grados de ambigüedad (baja, moderada y alta), de requisitos de software redactados en lenguaje natural. El conjunto de datos preparado contiene 5.291 requisitos redactados en inglés, que son etiquetados de acuerdo a su ambigüedad sintáctica usando el analizador de link grammar. Se evalúa el desempeño de la clasificación con diferentes modelos de aprendiza je automático que incluyen random forest y redes neuronales convolucionales, entre otros. Los mejores resultados se obtienen con los modelos de redes neuronales recurrentes LSTM y GRU, con un F1-Score de 80 % en la clase ambigüedad baja, 62 % en la clase ambigüedad moderada y 75 % en la clase ambigüedad alta, y un accuracy entre 69 % y 71 % de clasificaciones correctas del grado de ambigüedad.Item Identificación de pasajeros para el cobro de tarifas en transporte terrestre intermunicipal en Colombia(Pontificia Universidad Javeriana Cali, 2020) Vidal Zuñiga, Jair Hernando; Álvarez Vargas, Gloria InésEste trabajo de grado permite abordar una problemática que sucede a menudo en el transporte público intermunicipal y tiene que ver con el cobro de tarifas excesivas cuando un usuario toma el vehículo en un punto intermedio del recorrido y se baja antes que éste llegue a su destino final. En este contexto es necesario identificar al pasajero que se baja y saber dónde inició su recorrido previamente; esto, permite establecer la cantidad de kilómetros recorridos con el fin de calcular el costo que debe cancelar el usuario al llegar a su destino y notificar el valor a pagar por el servicio prestado. El objetivo de este trabajo de grado fue desarrollar un prototipo funcional que permita identificar al pasajero a través de técnicas de biometría, calculando el costo de la tarifa y notificando el valor que debe cancelar el usuario al finalizar su viaje. Se aplicaron todas las etapas de desarrollo de software y fue implementado utilizando el lenguaje de programación Python versión 3.7.2, utilizando conceptos de programación orientada a objetos y patrones de diseño; adicionalmente, contó con un repositorio de código Git. El prototipo cuenta con 3 componentes de software, que vale la pena destacar, los cuales son: un componente que controla la captura de imágenes, un componente que identifica al pasajero; un componente que permite calcular la tarifa con base a la distancia recorrida por el usuario y el componente que permite notificar al pasajero acerca del valor a cancelar. Con una base de datos de imágenes diversa, se realizan diferentes pruebas y con los resultados se obtuvo que el algoritmo de patrones binarios locales utilizado en el reconocimiento facial disminuye su efectividad cerca del 20% debido a cambios en la captura de la imagen o la posición del rostro.Item Segmentación automática de los clientes de Pharmaderm y Skindrug, utilizando técnicas de aprendizaje automático(Pontificia Universidad Javeriana Cali, 2022) Díaz Alonso, John; Álvarez Vargas, Gloria InésEl departamento de mercadeo de los laboratorios PHARMADERM S.A. y SKINDRUG S.A., no cuenta con una herramienta que permita identificar clientes con necesidades simulares para hacer un marketing dirigido, con el propósito de desarrollar nuevas estrategias de mercadeo específicas, y así aumentar las compras de los clientes. Por esta razón, el proyecto tiene como objetivo desarrollar un modelo de identificación de conglomerados de la base de datos de los clientes de los laboratorios, mediante la preparación de los datos, los modelos de agrupamiento de los clientes, la evaluación y recomendación del modelo seleccionado y un medio de visualización para los resultados obtenidos. En la preparación de los datos se unifico un dataset con 17 atributos y 852.448 registros, correspondientes a 683 clientes, y posteriormente se generaron 6 datasets (obsequios, tipo de cliente, demográfico, cosméticos, magistrales y medicamentos) de acuerdo con el enfoque de negocio que determino el departamento de mercadeo y ventas. Posteriormente, se seleccionaron los hiper-parámetros para los modelos de entrenamiento, k-means y jerárquico con el método del codo (elbow method), y el coeficiente de la silueta (silhouette coefficient), y para el modelo DBSCAN, el algoritmo k vecinos más cercanos (k-nearest neighbors algorithm). Finalmente, en la evaluación y selección del modelo se escoge el modelo de entrenamiento K-means, determinado con el índice de Davies Bouldin (Davies-Bouldin index), con mejores los índices más cercanos a cero (0), señalando clústeres más compactos, y con los centros de cada clúster bien separados. Adicional, se realiza un análisis de los modelos obtenidos con el gráfico del radar también conocido como gráfico de araña o grafico de estrella,