Browsing by Subject "Unsupervised learning"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Clusterización aplicada a empresas del sector energético que reportan indicadores ESG (ambiental, social y de gobernanza)
    (Pontificia Universidad Javeriana Cali, 2025) Fernández Acosta, María Isabel; Joaqui Barandica, Orlando
    Este proyecto aplicó técnicas de aprendizaje no supervisado para segmentar empresas del sector energético con base en sus indicadores ESG (Ambientales, Sociales y de Gobernanza), abordando la necesidad de identificar perfiles diferenciados de sostenibilidad corporativa. La problemática detectada radica en la ausencia de clasificaciones sistemáticas que permitan evaluar, comparar y monitorear el desempeño ESG de las empresas, limitando su análisis desde perspectivas técnicas y estratégicas. Para ello, se construyó una base de datos estructurada con 576 registros provenientes de la plataforma London Stock Exchange Group (LSEG), se depuraron las variables mediante limpieza, estandarización y reducción de dimensionalidad usando Análisis de Componentes Principales (PCA), y se entrenaron modelos de clusterización como K-Means y agrupamiento jerárquico. El modelo óptimo fue K-Means con PCA=5 y 40 clústeres, que alcanzó métricas destacadas en cohesión interna y separación entre grupos. No obstante, se adoptó el modelo con K=2 para facilitar la interpretación cualitativa de los clústeres. Los resultados permitieron identificar dos perfiles empresariales claramente diferenciados: uno con alto compromiso en sostenibilidad y otro con desafíos estructurales significativos, aportando valor estratégico para inversionistas, reguladores y gestores de sostenibilidad. Este proyecto demuestra la viabilidad del uso de minería de datos para caracterizar empresas desde una óptica ESG y sienta las bases para futuras investigaciones orientadas a la predicción, monitoreo y evaluación dinámica del desempeño sostenible en sectores estratégicos.
  • Thumbnail Image
    Item
    Detección de anomalías en datos meteorológicos mediante métodos de análisis avanzados
    (Pontificia Universidad Javariana Cali, 2025) Mena Ramírez, Yamuna Devi; Buss Molina, Antal Alexander
    Dada la creciente incidencia de fenómenos climáticos, como ciclones, sequías e intensas lluvias, anticipar y estudiar los cambios en las condiciones atmosféricas se ha convertido en una prioridad para países como Colombia, que cuentan con amplias áreas costeras. Estos eventos representan no solo un riesgo significativo para el medio ambiente y la seguridad, sino que también exigen un entendimiento profundo de las dinámicas atmosféricas. Las series de tiempo meteorológicas son herramientas clave en este contexto, ya que permiten el monitoreo continuo de variables climáticas, como la temperatura, la presión, la humedad y la precipitación, facilitando la identificación y estudio de patrones y anomalías que podrían anticipar eventos climáticos. En este contexto, se abordaron las limitaciones actuales en la detección de anomalías en los datos meteorológicos de la Dirección General Marítima en Colombia, siguiendo la metodología CRoss Industry Standard Process for Data Mining (CRISP-DM). Se propuso un enfoque híbrido que combina un algoritmo estadístico diseñado para la detección de anomalías naturalmente imposibles relacionadas con sensores, con un método más robusto que permite detectar días completos como eventos anómalos, en el que se seleccionaron las series multivariadas mediante un análisis de correlación, donde se identificaron las variables que presentaban mayor interdependencia. Luego, se aplicó el clustering utilizando los algoritmos K-means y DBSCAN, con enfoques tanto locales como globales. Los mejores resultados de evaluación se obtuvieron con el enfoque global aplicado a la serie multivariada que incluye temperatura del aire y humedad relativa, mostrando un puntaje de silueta de 0.67 y un índice de Davies Bouldin 0.54 para DBSCAN.