Browsing by Subject "Aprendizaje supervisado"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Análisis de la deforestación en la Amazonía colombiana usando técnicas de aprendizaje automático(Pontificia Universidad Javeriana Cali, 2023) León Acosta, Paola Andrea; Otero Martínez, Guillermo AndrésDebido al alto impacto de la deforestación en el calentamiento global, el aumento de enfermedades zoonóticas y el riesgo de extinción de la biodiversidad, surge la necesidad de desarrollar nuevos enfoques para la medición y análisis de la deforestación que permitan a los gobiernos tener una mejor compresión de este fenómeno para centrar su atención y recursos a atender esta crisis ambiental en las zonas más vulnerables. Dada esta situación y considerando el amplio uso de los algoritmos de aprendizaje automático para analizar datos complejos como imágenes y textos, este proyecto tuvo como objetivo analizar el comportamiento de la deforestación en la Amazonía colombiana usando diferentes técnicas de aprendizaje automático con imágenes satelitales de Google earth engine, considerando estas metodologías como nuevas propuestas de medición en el análisis de la cobertura forestal. Posteriormente, se evaluaron estos modelos mediante métricas de evaluación, una vez seleccionado el modelo con mejor rendimiento, se identificaron las zonas con deforestación en las imágenes satelitales, y a partir de estos resultados se cuantificó y analizó el incremento de la perdida de bosques en un periodo determinado con el propósito de generar alertas de las zonas más vulnerables, y así brindar una herramienta que se pueda considerar como un insight para la formulación de planes de acción y políticas para la prevención y reforestación.Item Análisis de sentimientos utilizando aprendizaje automático de menciones en twitter para la secretaría de movilidad de Bogotá(Pontificia Universidad Javeriana Cali, 2023) Quiñonez Romero, Luis Eduardo; Carbonell García, Luisa Fernanda; Peralta Alean, Andrés Gabriel; Pabón Burbano, María ConstanzaLa evolución de la sociedad moderna ha llevado a la instauración de urbes de gran densidad en donde difícilmente se logra mantener un balance entre las zonas de trabajo, estudio y las zonas residenciales, lo que genera desplazamientos considerables para la población media dentro de su ciclo de cotidianidad. La ciudad de Bogotá no es la excepción a estas condiciones, por lo que la Secretaría de Movilidad asume un reto en la implementación de medidas que agilicen el transporte de los ciudadanos. Un desafío subyacente en la implementación de estas medidas es la medición de su efectividad, donde la percepción de los usuarios juega un papel fundamental en la evolución de los planes de movilidad y la identificación de necesidades y ajustes de las iniciativas actuales. En ese sentido las redes sociales operan como compiladores masivos de percepciones sobre la gestión realizada, generando que la Secretaría enfoque esfuerzos de comunicación sobre la red social twitter, queriendo contar con un mecanismo automatizado que permita identificar las tendencias en cuanto a las percepciones de los usuarios. Para tal fin se pretende desarrollar un análisis de sentimientos con un modelo de clasificación de aprendizaje supervisado, el cual permita, mediante una aplicación en línea usando uno o varios modelos entrenados, identificar y clasificar conjuntos de tweets.Item Predicción de la ocurrencia de bajo rendimiento académico final de estudiantes de un curso universitario usando técnicas de machine learning(Pontificia Universidad Javeriana Cali, 2024) Reinoso Castillo, Jaime Alberto; González Gómez, Daniel EnriqueEl rendimiento académico como una medida de las capacidades de un alumno que expresa lo que éste ha aprendido a lo largo del proceso formativo, y que generalmente es representado a través de las calificaciones que este obtiene. El presente trabajo propone la creación y aplicación de un modelo predictivo basado en machine learning que permita estimar al inicio del semestre qué estudiantes de un curso tendrán un bajo rendimiento académico, a partir de la información histórica de los estudiantes que tomaron previamente dicho curso. Esta información puede ser muy útil para los docentes, permitiéndoles ajustar adecuadamente sus prácticas didácticas para que estas se alineen a las particularidades de cada curso. Además, el rendimiento académico es reconocido como una de las principales causas de deserción universitaria, particularmente durante los primeros semestres. Esto implica que el desarrollo de este modelo predictivo podría ayudar a influir positivamente en reducir la deserción universitaria, reduciendo las consecuencias en muchos de los actores del sistema, pues los estudiantes pierden tiempo y recursos valiosos, las familias reducen la posibilidad de enviar otros miembros a la universidad, la universidad pierde importantes recursos futuros por el fenómeno de la silla vacía, situación que a su vez eleva los costos universitarios y por tanto vuelve a la universidad menos accesible, y finalmente la sociedad pierde la posibilidad de tener un miembro profesional productivo.