Browsing by Subject "Prediction"
Now showing 1 - 7 of 7
Results Per Page
Sort Options
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 AdelaidaEste 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.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 JoséEn 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.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 CristinaEl 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.Item Modelado y optimización de SuDS en la Pontificia Universidad Javeriana Sede Bogotá mediante Machine Learning para la adaptación al cambio climático(Pontificia Universidad Javeriana Cali, 2025) Rojas Céspedes, Dónoban Steven; Galarza Molina, Sandra Lorena; Torres Abello, Andrés EduardoEste Proyecto Aplicado se enfocó en el modelado y la optimización de los Sistemas Urbanos de Drenaje Sostenible (SuDS) en la Pontificia Universidad Javeriana de Bogotá mediante técnicas de aprendizaje automático como estrategia de adaptación al cambio climático, un tema de crucial importancia ante los crecientes desafíos que enfrentan sistemas como el Sistema de Humedal Artificial/Tanque de Reservorio (SHATR) para gestionar volúmenes de agua durante eventos de lluvia intensa, en un contexto donde escasean los análisis predictivos que consideren escenarios climáticos extremos. La problemática central abordada fue la necesidad de fortalecer la capacidad de gestión y la resiliencia del SuDS frente a los impactos del cambio climático, para lo cual se estableció como objetivo principal desarrollar e implementar modelos de aprendizaje automático utilizando datos de precipitación y escorrentía, evaluando la efectividad del sistema y mejorando sus estrategias de gestión ante diversos escenarios climáticos. Los resultados más destacados incluyen el desarrollo de un modelo de Regresión por Vectores de Soporte (SVR) optimizado mediante búsqueda bayesiana, que presentó un desempeño predictivo sobresaliente para modelar el nivel de entrada del sistema con un coeficiente de determinación (R²) de 0.9024; además, la aplicación de escenarios de cambio climático construidos a partir de proyecciones del IDEAM reveló variaciones significativas en la frecuencia de eventos críticos y en los niveles promedio del sistema, evidenciando la urgente necesidad de implementar estrategias de adaptación flexibles. Este trabajo demostró la viabilidad de aplicar metodologías de aprendizaje automático, particularmente SVR, para modelar el comportamiento hidrológico del nivel de entrada de los SuDS bajo condiciones actuales y futuras, proporcionando insumos valiosos para el diseño de medidas preventivas y adaptativas. Entre las aplicaciones potenciales de esta investigación se contempla el uso del modelo desarrollado como herramienta para sistemas de alerta temprana y para la gestión operativa de otros sistemas de drenaje urbano vulnerables a los efectos del cambio climático, destacando el potencial del aprendizaje automático como instrumento fundamental para el análisis predictivo y la gestión optimizada de los SuDS frente a las limitaciones de los sistemas de drenaje existentes ante eventos climáticos extremos.Item Modelo predictivo de la demanda de servicios de ACTSIS LTDA.(Pontificia Universidad Javeriana Cali, 2025) Aguirre León, Diana Marcela; Martínez Arias, Juan Carlos; Sarria Montemiranda, Gerardo MauricioEn la industria del software, la capacidad instalada de una empresa ha demostrado ser una pieza fundamental para su competitividad y sostenibilidad a largo plazo. Sin embargo, esta capacidad se ha visto afectada por una serie de variables del entorno de negocio, que van desde la disponibilidad de talento especializado hasta las fluctuaciones económicas y las políticas regulatorias. Estos factores dinámicos impactaron significativamente en la capacidad de las empresas de software para desarrollar, implementar y mantener productos y servicios de alta calidad de manera eficiente y rentable. En respuesta a estos desafíos, surgió la necesidad de desarrollar un modelo predictivo que permitiera a las empresas de software proyectar cómo estas variables del entorno de negocio podrían afectar su capacidad instalada. Este modelo, al proporcionar una comprensión más profunda de los factores que influyen en la capacidad operativa de una empresa de software, sirvió como una herramienta valiosa para la toma de decisiones estratégicas y operativas. Este proyecto se centró en la construcción de dicho modelo predictivo, basándose en una investigación sobre el impacto de las variables del entorno de negocio en la demanda de servicios de software de los clientes de la empresa ACTSIS LTDA, en su contexto específico. A través de un enfoque multidisciplinario que combinó conocimientos en análisis de datos, gestión empresarial y tecnología de la información, el proyecto ofreció a ACTSIS LTDA una herramienta efectiva para anticipar los cambios en la demanda de servicios software para el Sistema Comercial – SAC, el cual representaba el pareto de los ingresos de la compañía. La implementación de este modelo predictivo transformó la gestión interna de ACTSIS LTDA al mejorar la capacidad de anticipar y adaptarse a los cambios en la demanda, contribuyendo a su eficiencia operativa, reducción de costos y planificación informada en la asignación de recursos. En definitiva, este proyecto representó un paso hacia la innovación en la gestión de la capacidad instalada, permitiendo a ACTSIS no solo adaptarse al cambio, sino también liderarlo.Item Predicción de capacidad y eficiencia en planta de producción de especialidades químicas mediante el análisis y modelado avanzado de datos(Pontificia Universidad Javeriana Cali, 2025) Duarte Quintero, Daniel Felipe; García Arboleda, Isabel CristinaEste proyecto se centró en el diseño e implementación de un sistema predictivo de capacidad y eficiencia en una planta de producción de especialidades químicas, mediante el uso de ciencia de datos y aprendizaje automático. La problemática abordada fue la brecha operativa del 20% entre la capacidad teórica de los trenes de producción (agrupación de equipos con tecnologías similares) y su capacidad real, generando subutilización de recursos y reducción en la eficiencia global. La solución desarrollada comprendió la captura automatizada de datos en planta mediante formularios digitales, la integración de múltiples fuentes (plan de producción, ERP, históricos de parada) y la construcción de una base consolidada para modelado. Se entrenaron cuatro modelos por tren (Regresión Lineal Múltiple, Random Forest, XGBoost y Prophet), evaluados mediante métricas de error como RMSE, MAE, MAPE y R², y validados con técnicas de validación cruzada. Además, se generaron predicciones a seis meses por tren y se compararon con la capacidad teórica establecida por la alta gerencia. Como resultado, se obtuvo una arquitectura predictiva robusta, complementada por un tablero interactivo (Power BI) para la visualización dinámica del desempeño por tren, incluyendo predicciones, brechas de capacidad y alertas operativas. Esta herramienta permite soportar la toma de decisiones estratégicas en la planificación de la producción. Si bien el enfoque se diseñó para una planta específica, su metodología es escalable a otras unidades productivas con adaptaciones mínimas. El proyecto representa una aplicación integral de la ciencia de datos al entorno industrial específicamente a la producción de químicos, articulando captura de datos, procesamiento, modelado, validación y visualización de resultados en una solución operativa lista para implementación.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, JuliánLa 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]