Browsing by Subject "LSTM"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Detección de Noticias Falsas: comparación entre modelos de aprendizaje profundo basados en redes neuronales y modelos de lenguaje de gran escala
    (Pontificia Universidad Javeriana Cali, 2025) Oviedo Santacruz, Claudia Patricia; Gil González, Julián
    En la era digital actual, la propagación de noticias falsas en plataformas digitales representa un desafío creciente para la sociedad, debido a su potencial para desinformar y generar consecuencias sociales, políticas y económicas. Este trabajo compara el desempeño de dos enfoques de aprendizaje profundo en la detección automática de noticias falsas: un modelo basado en redes neuronales Long Short-Term Memory y un modelo de lenguaje de gran escala preentrenado como BERT. Se utilizaron conjuntos de datos abiertos y técnicas de preprocesamiento de texto, además de estrategias de sintonización de hiperparámetros, para optimizar el rendimiento de cada modelo. Los resultados muestran que el modelo Long Short-Term Memory, tras la optimización, alcanzó una precisión del 92%, superando al modelo de lenguaje de gran escala, que logró un 89%. Estos hallazgos evidencian que, en tareas específicas y bajo condiciones controladas, modelos más livianos y tradicionales pueden superar a modelos más complejos, reafirmando la importancia de una selección cuidadosa del modelo en función del problema a tratar y los recursos disponibles.
  • Thumbnail Image
    Item
    Modelo predictivo del tipo de cambio EUR/USD: integración de datos históricos y análisis de sentimiento de noticias financieras a través de redes neuronales LSTM
    (Pontificia Universidad Javeriana Cali, 2025) Arias Martínez, Manuela; Quintero Carvajal, Esteban; Mejía Romero, Joaquín Nicolás; García Arboleda, Isabel Cristina
    Este proyecto se centra en la propuesta de un modelo predictivo para el tipo de cambio EUR/USD, incorporando el análisis de sentimiento derivado de noticias financieras y datos históricos mediante el uso de redes neuronales LSTM. La importancia de este tema radica en que el EUR/USD, como uno de los pares de divisas más negociados, funciona como un barómetro de la salud económica global, y su volatilidad refleja cambios en políticas monetarias, crisis económicas y eventos geopolíticos. Ante la limitación de los modelos tradicionales, que solo consideran datos históricos de precios, este proyecto aborda la problemática de mejorar la precisión de las predicciones al incluir el sentimiento del mercado. Los objetivos propuestos incluyen procesar y analizar datos relevantes, evaluar la relación entre el sentimiento y las fluctuaciones del tipo de cambio, e implementar un modelo que integre estas variables. Se logra crear un conjunto de datos limpio y que permite la propuesta de un modelo predictivo que mejora la comprensión de las dinámicas del mercado, además de elaborar un informe detallado sobre la metodología aplicada y los resultados obtenidos. Estas herramientas benefician a inversores y profesionales del área financiera en la toma de decisiones más informadas y en la mitigación de riesgos asociados con la volatilidad del mercado. El modelo resultante también sirve como base para futuras investigaciones que exploran otros mercados y aplicaciones. Al adoptar este enfoque, el proyecto contribuye al campo de la ciencia de datos y las finanzas, además de establecer nuevos paradigmas en la predicción del tipo de cambio EUR/USD.
  • Thumbnail Image
    Item
    Prototipo de identificación y clasificación de anomalías provenientes en Logfiles de la red CORE-MPLS de EMCALI para el evento de Potencia Óptica de la interfaz de comunicación
    (Pontificia Universidad Javeriana Cali, 2026) Zapato Castaño, William; Cano Salgado, Daniel; Mora Cardona, Mario Julián
    El presente proyecto desarrolló un prototipo AIOps para la predicción anticipada de eventos de degradación de potencia óptica en las interfaces de la red CORE-MPLS de EMCALI E.I.C.E. E.S.P., mediante el análisis de registros de sistema (syslogs) utilizando técnicas de aprendizaje automático y aprendizaje profundo. La problemática central radica en que la gestión tradicional del Centro de Operaciones de Red (NOC) opera de forma reactiva, detectando fallas en las interfaces ópticas solo después de producirse, con el consecuente impacto en los Acuerdos de Nivel de Servicio (SLA) y en la continuidad de los servicios de telecomunicaciones. El objetivo general fue construir un prototipo funcional capaz de clasificar anomalías en archivos de log de la red CORE-MPLS de EMCALI para apoyar la toma de decisiones proactiva del equipo de soporte técnico. La metodología siguió el marco de referencia ASUM-DM (Analytics Solutions Unified Method for Data Mining), estructurado en ocho fases que abarcaron desde la comprensión del negocio y la ingeniería de características hasta la construcción de un prototipo de reporte operativo. A partir de aproximadamente 192,000 líneas de syslogs crudos se construyeron 67,187 ventanas temporales de 60 segundos con 14 características de ingeniería, incluyendo estadísticos móviles de eventos, telemetría óptica (potencia Rx/Tx en dBm) y derivadas temporales de anomalías. Se evaluaron cinco modelos (ARIMA, Regresión Logística, XGBoost, Isolation Forest y LSTM) bajo un esquema estricto de separación temporal que garantizó la ausencia de filtración de información futura (data leakage). Los resultados demostraron la superioridad del modelo LSTM para capturar la dinámica temporal secuencial de los eventos de red, alcanzando un Recall del 90\% sobre el conjunto de prueba, detectando 135 de 150 eventos positivos. En la interfaz con mayor densidad de telemetría óptica (XGigabitEthernet3/0/0), el modelo obtuvo un F1-Score del 61.54\% (Precisión: 50\%, Recall: 80\%), proporcionando una ventana de anticipación aproximada de una hora para la ejecución de acciones preventivas. El prototipo fue entregado como un paquete Python modular con interfaz de línea de comandos (CLI) que genera reportes operativos en formato HTML, demostrando la viabilidad técnica del enfoque propuesto y aportando evidencia preliminar de su viabilidad operativa sobre el escenario evaluado.