Browsing by Subject "Prediction"

Now showing 1 - 4 of 4
  • Thumbnail Image
    Item
    Aprendizaje automático aplicado al diagnóstico de la ocurrencia de la leishmaniasis a través de imágenes de lesiones cutáneas
    (Pontificia Universidad Javeriana Cali, 2023) Castro Duarte, Camilo; Linares Ospina, Diego Luis; Gómez, María Adelaida
    Este proyecto buscó aplicar técnicas de aprendizaje automático específicamente Redes Neuronales Convolucionales, para predecir si una lesión de tipo cutánea corresponde o no a la enfermedad de la Leishmaniasis, evaluación que no resulta tan simple mediante observación debido a la similitud con otros tipos de lesiones, para ello, se entrenaron modelos predictivos mediante una base de datos con 885 imágenes de lesiones cutáneas (407 correspondientes a Leishmaniasis y 478 correspondientes a otras lesiones cutáneas), las imágenes de Leishmaniasis fueron suministradas por el CIDEIM (Centro Internacional de Entrenamiento e Investigaciones Médicas). Durante el desarrollo del proyecto se trabajaron diferentes etapas como es el caso de la limpieza y adecuación de la base de datos de imágenes, selección y entrenamiento de los modelos, contraste de resultados y la identificación del modelo más adecuado. Los resultados arrojados por los diferentes experimentos y sus respectivas métricas permitieron establecer cuál es el modelo más adecuado para hacer la predicción, de esta forma es posible hacer un diagnóstico previo de la lesión del paciente sin siquiera estar este de cuerpo presente, también permite ayudar a personal de la salud que no tiene tanta experiencia en este tipo de lesiones a despejar dudas y tomar medidas. De esta forma se le da paso a diferentes posibilidades de aplicación del algoritmo desarrollado dentro del campo médico, como es el caso de integraciones futuras con aplicativos móviles o desarrollos web, esto puede facilitar el análisis de las lesiones de los pacientes de manera remota y de una forma ágil.
  • Thumbnail Image
    Item
    Clasificación de los estudiantes de pregrado de acuerdo a su rendimiento académico y su uso para la predicción del éxito de su formación profesional
    (Pontificia Universidad Javeriana Cali, 2023) López Silva, Carolina; Mosquera Valencia, Diego Fernando; Cortés Rodríguez, Mauricio José
    En Colombia, se estima que alrededor de la mitad de los estudiantes que inician un proceso de formación superior, lo finalizan. Este comportamiento también se da en la Pontificia Universidad Javeriana Cali, por lo cual, una forma en la que se podría aportar a la solución de esta problemática es con el desarrollo de este proyecto aplicado, donde primero se planteó encontrar las diferentes tipologías de los estudiantes a partir de su rendimiento académico, y un modelo que predice dichas tipologías, y de esa forma se consolide un proceso de analítica que le brinde información a la Universidad, para incidir en el éxito académico, es decir la culminación de los estudios, de sus estudiantes.
  • Thumbnail Image
    Item
    Implementación de un modelo de machine learning para predecir el cumplimiento de contratos de café nacionales en racafé”
    (Pontificia Universidad Javariana Cali, 2024) Forero Artunduaga, Angélica María; García Arboleda, Isabel Cristina
    El proyecto presentado nace en Racafé, una empresa con 70 años de trayectoria en la industria del café, un sector de gran orgullo y tradición en Colombia. La compañía enfrenta el desafío de gestionar los pagos de contratos de café, donde, aunque eventualmente se cumplen, los incumplimientos frecuentes afectan negativamente el flujo de caja, incluso con los mecanismos establecidos para mitigarlos. Actualmente, Racafé gestiona manualmente la identificación de clientes incumplidores, lo que implica procesos de seguimiento y control manuales. A partir de un conjunto de datos con 37 variables sobre las características y el comportamiento de pago de los clientes, se realizó un análisis exploratorio y se aplicaron técnicas de clusterización y un análisis de GVIF, lo que permitió reducir las variables relevantes a 11. Con este conjunto, se evaluaron tres modelos de machine learning supervisado: Regresión Logística, Random Forest y Support Vector Machine. Los modelos fueron optimizados ajustando hiperparámetros y se compararon mediante métricas como accuracy, recall, especificidad, F1-Score y AUC, utilizando validación cruzada para garantizar la robustez de los resultados. El modelo Random Forest mostró el mejor rendimiento, destacándose por su alta especificidad (0.836) y AUC (0.906). Este modelo fue implementado en un dashboard interactivo que predice si un cliente cumplirá o no con su contrato de café, clasificando como "No Cumple" si la probabilidad de incumplimiento es mayor o igual a 0.5. La herramienta automatiza procesos y facilita la toma de decisiones de la Gerencia Financiera y Comercial, optimizando la gestión de pagos y la identificación de períodos críticos de recuperación de cartera. Los resultados obtenidos modernizan la gestión de Racafé, optimizan la administración del flujo de caja y fortalecen la relación con los clientes nacionales. Esta iniciativa posiciona a Racafé como un referente en el uso de ciencia de datos para la toma de decisiones estratégicas, contribuyendo a la sostenibilidad y modernización la industria cafetera.
  • Thumbnail Image
    Item
    Predicción de variables en salud mental para colaboradores de una Universidad privada ubicada en la ciudad de Cali por medio de aprendizaje automático
    (Pontificia Universidad Javeriana Cali, 2024) Rosero Montilla, María de los Ángeles; Ramírez Cortés, Brayan Steven; Vivas Torres, Juan Manuel; Gil González, Julián
    La salud mental se ha convertido en una de las principales preocupaciones en la actualidad. La Universidad consciente de ello, busca el bienestar de sus colaboradores y se esfuerza por ofrecerles las mejores condiciones de trabajo. Sin embargo, se detecta un preocupante deterioro de la salud mental dentro de la comunidad educativa, situación que se ve agravada por los efectos de la pandemia, por esta razón se desarrollaron modelos de predicción de variables de salud mental en colaboradores pertenecientes a la Universidad privada ubicada en la ciudad de Cali, por medio de técnicas de Machine Learning. Esta investigación ha dado como resultado el desarrollo de modelos predictivos y la creación de documentación detallada sobre el proceso, se espera que los modelos desarrollados en este proyecto puedan ser implementados en diversos sectores, con el objetivo de facilitar la detección temprana de problemas de salud mental en los trabajadores y contribuir a su bienestar integral [1], [2]