Maestría en Ciencia de Datos
Permanent URI for this collection
Browse
Recent Submissions
Item Predicción del pH y la DBO en el río Cauca utilizando técnicas de machine learning: anticipando cambios críticos de calidad(Pontificia Universidad Javeriana Cali, 2026) Cortés Montiel, Weimar; Sotelo de la Cruz, Daniel Alfonso; Torres Valencia, Cristian AlejandroDada la creciente preocupación por la calidad del agua en Colombia, este proyecto de maestría desarrolló modelos predictivos para estimar los niveles de pH y Demanda Bioquímica de Oxígeno (DBO) en el río Cauca, con énfasis en la cuenca alta, integrando técnicas de ciencia de datos y aprendizaje automático. El estudio partió del análisis y preprocesamiento de datos históricos oficiales, que incluyeron variables fisicoquímicas como pH, DBO, oxígeno disuelto, temperatura, conductividad y nutrientes. La metodología contempló la partición de los datos en conjuntos de entrenamiento y prueba (80-20 %), con validación cruzada repetida para garantizar la robustez de la evaluación. Se entrenaron y ajustaron modelos de regresión como Regresión Lineal Múltiple, Árboles de Decisión, Random Forest, Gradient Boosting (XGBoost), SVR y Perceptrón Multicapa (MLP), optimizados mediante Grid Search y Optuna. Su desempeño se evaluó con métricas como RMSE, MAE y R², así como mediante curvas de aprendizaje para detectar sobreajuste. Se estimaron con precisión los valores de pH y DBO del río Cauca, y mediante análisis SHAP se identificaron las variables fisicoquímicas de mayor incidencia: para la DBO, los sulfatos (mg SO₄/l), bicarbonatos (mg CaCO₃/l) y conductividad eléctrica (µS/cm) resultaron las más determinantes; para el pH, los nitratos (mg N-NO₃/l) y bicarbonatos (mg CaCO₃/l) concentraron la mayor contribución explicativa. El trabajo se centró en la ejecución técnica de los modelos, sin desarrollos externos ni visualizaciones interactivas. Se priorizó el análisis cuantitativo de los resultados, documentando el proceso completo y aportando evidencia sobre la aplicabilidad del aprendizaje automático en el monitoreo ambiental. Esta investigación fortaleció herramientas analíticas para la gestión del recurso hídrico local y ofrece una base metodológica replicable, útil como insumo académico o institucional, sin pretensión de implementación automatizada o en tiempo real.Item Modelo predictivo para la detección temprana del riesgo de suicidio en policías de Colombia(Pontificia Universidad Javeriana Cali, 2026) Caicedo Henríquez, Valentina; Barbosa Rodríguez, Mario Fernando; Torres Romero, Juan Sebastián; Arango Londoño, DavidEl suicidio en la Policía Nacional de Colombia representa un problema crítico de salud pública institucional: en 2011 la tasa alcanzó 18 por cada 100.000 efectivos, triplicando la tasa nacional. Este proyecto aplicado desarrolló un modelo predictivo de detección temprana del riesgo de suicidio en policías activos utilizando una base de datos institucional inédita de la Dirección de Sanidad de la Policía Nacional (DISAN PONAL) con 254 casos confirmados, bajo un diseño caso-control retrospectivo con ventana de observación de 24 meses y horizonte de predicción de 90 días. Se construyeron 42 variables predictoras a partir de fuentes clínicas, laborales y sociodemográficas. Se evaluaron cuatro algoritmos —Regresión Logística, Random Forest, XGBoost y LightGBM— bajo escenarios de desbalance 5:1 y 10:1. El modelo LightGBM en escenario 5:1 obtuvo el mejor desempeño en validación cruzada: AUC-PR = 0.9587, AUC-ROC = 0.9888, F1 = 0.9095, Precisión = 0.919 y Recall = 0.902. Una auditoría de data leakage de cuatro capas redujo el AUC-PR de 1.000 a 0.9587, confirmando la ausencia de contaminación metodológica. La validación temporal (hold-out 2022–2025) reveló una degradación significativa en la métrica primaria (AUC-PR: 0.9587 → 0.6553, −32%), indicando que el modelo requiere recalibración antes del despliegue operativo. El análisis SHAP identificó como predictores dominantes los indicadores de utilización general del sistema de salud —tasa de diagnósticos acumulados, polimedicación, antigüedad institucional y edad— no exclusivamente de salud mental formal. Se calculó el PPV esperado bajo prevalencia real, mostrando que el despliegue directo sobre el universo de efectivos requiere estratificación previa de una subcohorte de riesgo. El análisis de equidad por subgrupos reveló brechas de Recall entre hombres y mujeres y entre policías de alta y baja antigüedad, documentadas como limitaciones. El trabajo aporta un protocolo replicable de auditoría de leakage para diseños caso-control retrospectivos en contextos de salud institucional y un conjunto de seis indicadores de riesgo con potencial de integración en programas preventivos de la DISAN.Item Predicción de errores del modelo Black‑Scholes mediante modelos clásicos de ciencia de datos(Pontificia Universidad Javeriana Cali, 2026) Rojas Ramírez, Julián; Tangarife Acevedo, Natalia María; Torres Valencia, Cristian AlejandroLa valoración precisa de opciones financieras es crucial para la toma de decisiones de inversión informada. El modelo Black-Scholes, aunque fundamental para la valoración teórica de opciones europeas, presenta limitaciones inherentes a sus supuestos que generan discrepancias con los precios reales del mercado. Este proyecto desarrolló un sistema de predicción basado en técnicas de ciencia de datos para predecir y corregir los errores sistemáticos del modelo Black-Scholes, utilizando un dataset de 40,337 contratos de opciones sobre 10 activos representativos del mercado estadounidense. Siguiendo la metodología CRISP-DM, se implementaron y compararon progresivamente seis modelos de aprendizaje automático de complejidad creciente, evaluando su capacidad para ajustar los precios teóricos. Los resultados demuestran que los modelos de ensamble logran las mayores reducciones del RMSE, con Random Forest como mejor modelo para opciones call (82,20%) y XGBoost para opciones put (89,54%) respecto al baseline, evidenciando que el aprendizaje automático puede complementar eficazmente los modelos teóricos de valoración financiera sin reemplazar su estructura fundamental.Item Evaluación del impacto de modelos multivariados de machine learning en la precisión del pronóstico de ventas y su efecto en la gestión de la cadena de suministro(Pontificia Universidad Javeriana Cali, 2026) Vanegas Valencia, Mario Leandro; Sánchez Osorio, Edisson Camilo; Arango Londoño, DavidLa planeación de la demanda constituye un eje fundamental en la gestión de la cadena de suministro agroindustrial, un sector complejo por la influencia de variables estocástica como el clima, los costos de insumos y la volatilidad macroeconómica. La problemática centra de esta investigación radica en las limitaciones estructurales de los modelos predictivos univariados tradicionales, los cuales presentan una precisión reducida al omití factores externos. La consecuencia, el objetivo principal de este estudio es evaluar y comparar el desempeño predictivo de enfoques estadísticos clásicos (OLS y SARIMAX) frente a algoritmos multivariados de Machine Learning (Random Forest, LightGBM y Prophet). La metodología integró datos transaccionales históricos (2022-2025) de dos familias de productos (Palas y Carretas) con variables exógenas como índices climáticos zonales, abastecimiento agrícola (SIPSA) y tasas de cambio (TRM). El desempeño se evaluó mediante métricas estandarizadas (MAE,RMSE y MAPE) a través de una validación temporal walk-forward. Los resultados empíricos demostraron que la granularidad mensual domina significativamente en la estabilización de la señal predictiva frente a agregaciones diarias o semanales. Asimismo, se evidencia que predecir el volumen (Cantidad) y el Margen Bruto constituyen problemas predictivos disímiles; mientras que Random Forest logró el mejor desempeño en tres de las cuatro series analizadas (reduciendo el MAPE hasta un 14.8% en volumen), SARIMAX demostró ser más robusto para modelar el Margen bruto en series específicas. Se concluir que la adopción de modelos multivariados de ensamble, combinados con un preprocesamiento adecuado de la temporalidad y variables exógenas casuales, optimiza sustancialmente la planeación comercial y operativa en la agroindustria.Item Predicción a corto plazo de la demanda eléctrica en una subestación usando modelos de series de tiempo(Pontificia Universidad Javeriana Cali, 2026) Ordoñez Márquez, Fredy Alejandro; Velásquez Chala, Oscar Fernando; Sánchez Ceballos, José Luis; Arango Londoño, DavidEste proyecto aplicado desarrolló y evaluó comparativamente un sistema de predicción a corto plazo (horizonte h=24 horas) de la demanda eléctrica, medida como potencia aparente en voltamperios (VA), registrada horariamente en una subestación eléctrica del sistema de distribución colombiano, a partir de 58,448 observaciones históricas del sistema SCADA correspondientes al período enero 2019 a agosto 2025. La problemática central es la ausencia de herramientas automatizadas de pronóstico a nivel de subestación, que limita la capacidad operativa de los Operadores de Red (OR) para prevenir sobrecargas, optimizar mantenimientos e integrar recursos energéticos distribuidos, en un contexto regulado por la CREG que exige crecientes niveles de eficiencia y calidad de servicio. El proyecto se estructuró en tres objetivos específicos: (i) caracterización estadística de la serie mediante preprocesamiento riguroso, análisis exploratorio, descomposición STL, análisis de autocorrelación y pruebas de estacionariedad ADF-KPSS; (ii) ajuste de las configuraciones de diferentes modelos de cinco familias, estadísticos (SARIMAX), machine learning (XGBoost, Prophet), deep learning especializado (N-HiTS, N-BEATS, TFT), fundacional (Chronos) e híbridos de residual boosting; y (iii) evaluación comparativa mediante validación cruzada temporal con esquema expanding window de 90 ventanas y métricas MASE, MAE y RMSE. El preprocesamiento identificó 456 valores faltantes imputados mediante una red neuronal MLP con baseline estacional ajustado, y detectó outliers con STL + Isolation Forest en un proceso iterativo de tres rondas. El análisis exploratorio reveló un cambio estructural de nivel de +11.6% en enero 2023 como el principal factor de error para los modelos. Los resultados demostraron que solo 7 de 17 configuraciones individuales superan al Seasonal Naïve (MASE < 1.0): Chronos con contexto post-2023 (MASE=0.8645, MAE=224 VA) es el mejor modelo individual, seguido por TFT-GPU (MASE=0.9179) y N-HiTS base (MASE=0.9575, 19 segundos de entrenamiento sin GPU). SARIMAX y XGBoost presentaron sesgos de subestimación de −392 VA/hora y −468 VA/hora respectivamente, inviables para producción sin corrección manual. A partir de estos resultados, la recomendación operativa es implementar el modelo TFT con GPU, utilizar N-HiTS como configuración base cuando no se cuente con GPU, y Chronos como modelo de contingencia cuando el entrenamiento local falla o no hay histórico suficiente.Item Análisis de oferta y demanda del aprovechamiento de residuos en Bogotá mediante aprendizaje no supervisado y ciencia de datos(Pontificia Universidad Javeriana Cali, 2026) Mendieta Sánchez, Diana Carolina; Hurtado Bolaños, Henry; Arango Londoño, DavidBogotá D.C. genera aproximadamente 191.334 toneladas mensuales de residuos con potencial de aprovechamiento (Soluciones Empresariales DCA SAS, 2026), pero su sistema formal de reciclaje opera al 77,4% de la demanda estimada, dejando un déficit estructural de 43.309 ton/mes. A la fecha del estudio, el Registro Único de Recicladores de Oficio (RURO) de la UAESP registraba 29.495 recicladores formalizados (UAESP, 2026), mientras el Sistema Único de Información de la Superintendencia de Servicios Públicos Domiciliarios (SUI-SSPD, 2026) reportaba 430 organizaciones prestadoras del servicio de aprovechamiento. A pesar de la existencia de estos registros oficiales, ningún estudio previo los había integrado con un modelo de demanda territorial para calcular coberturas reales por localidad. Esta brecha motivó el presente proyecto, desarrollado por Diana Carolina Mendieta Sánchez, investigadora principal y representante legal de Soluciones Empresariales DCA SAS, empresa prestadora de servicios a través de asociaciones de recicladores en las 20 localidades de Bogotá y Henry Hurtado Bolaños, en el marco de la Maestría en Ciencia de Datos de la Pontificia Universidad Javeriana Cali. Bajo el marco metodológico CRISP-DM (Chapman et al., 2000), se integraron seis fuentes de datos oficiales heterogéneas mediante un pipeline ETL implementado en Python 3.12. Se aplicaron tres algoritmos de aprendizaje no supervisado K-Means (MacQueen, 1967), clustering jerárquico Ward y DBSCAN (Ester et al., 1996) sobre las 430 organizaciones formalizadas. El número óptimo de clústeres (K=4) se seleccionó mediante la evaluación simultánea de cuatro métricas de validación interna: coeficiente de silueta (0,487; Rousseeuw, 1987), índice Davies-Bouldin (0,854; Davies & Bouldin, 1979), índice Calinski-Harabász (17,59) y suma de cuadrados intra-clúster. La convergencia de los tres algoritmos en la misma solución K=4 confirma la robustez del resultado (Jain, 2010). Se identificaron cuatro tipologías operativas: grandes redes (13,9%, ~860 ton/mes), microoperadores (75,0%, ~208 ton/mes), organizaciones de baja eficiencia (8,3%) y organizaciones en situación crítica (2,8%). Un marco de zonificación territorial clasificó las 20 localidades en cinco cuadrantes de intervención mediante un Índice de Prioridad de Intervención (IPI) normalizado 0-100. Un hallazgo inesperado emergió de la integración de datos: el 94,7% de los recicladores registrados en el RURO (UAESP, 2026) opera fuera de su localidad de residencia. Este desajuste geográfico invalida los indicadores de cobertura calculados exclusivamente desde el SUI-SSPD: los superávits aparentes reportados como el 247,9% (GPS IDECA) en Puente Aranda o el 310% en Teusaquillo son artefactos del registro administrativo, no capacidad operativa real (Ferronato & Torretta, 2019; Moreno Rodríguez, 2018). Un modelo de programación lineal (PuLP, solver CBC, cuatro variantes) mostró que, bajo condiciones ideales de reasignación, redistribuir la capacidad existente sin nueva inversión cubriría teóricamente el 148,9% del déficit total del sistema, con un costo de transporte equivalente al 2,6% del costo operativo (Savelsbergh & Van Woensel, 2016). Este resultado se presenta como escenario exploratorio para apoyar la toma de decisiones, 4 reconociendo que la implementación real depende de restricciones institucionales, contractuales y económicas del sistema. Los resultados se desplegaron en un dashboard interactivo HTML5/Leaflet con 430 organizaciones georreferenciadas, una matriz de cuadrantes e insumos analíticos para la toma de decisiones de la UAESP y los operadores de las cinco Áreas de Servicio Exclusivo (ASE). Este trabajo constituye la primera cuantificación empírica basada en datos del desajuste oferta-demanda en el sistema formal de aprovechamiento de residuos en Bogotá a escala de organización prestadora individual.Item Predicción del comportamiento de la malaria en Colombia usando modelos de machine learning(Pontificia Universidad Javeriana Cali, 2025) Certuche González, Sofy Johanna; Santa Zaira, Jaime; Pizo Gurrute, Zaira Idaly; Ortega Lenis, DeliaLa malaria humana o paludismo es una enfermedad infecciosa transmitida por vectores, en este caso son los mosquitos hembras del género Anopheles que proliferan en zonas inferiores a 1600 metros en donde está localizada el 80 % de la Colombia rural, siendo susceptibles de contraer la infección alrededor de 25 millones de personas. La “Estrategia Técnica Mundial contra la Malaria 2016-2030” pactada por la OMS tiene como objetivo erradicar la enfermedad en 85 países que se consideran endémicos dentro de los cuales se encuentra Colombia por sus condiciones climáticas considerándose un problema de salud pública con un reporte del 10 % de los casos de malaria que se registran en la región de las Américas. Debido a la carga de la enfermedad se cuenta aproximadamente con 106 grupos de investigación sólo en la región y su comportamiento epidemiológico se ha tratado de explicar a través de modelos matemáticos (estadísticos y determinísticos), epidemiológicos (SI, SIR, SIS) y con aproximaciones desde la ciencia de datos (Deep Learning, Machine Learning). Teniendo en cuenta la prevalencia de la enfermedad y su definición como problema de salud pública con estrategias exitosas basadas en el diagnóstico y tratamiento precoz, este proyecto tiene como objetivo desarrollar un modelo predictivo con técnicas de Machine Learning para efectuar una aproximación al comportamiento epidemiológico de la malaria en un departamento en Colombia durante el periodo 2015 2023 debido a que la comprensión de la enfermedad a partir de diferentes modelos va a permitir realizar predicciones temporales, prácticas y aplicables, optimizando tiempo y recursos.Item Variaciones geoespaciales y temporales de condiciones atmosféricas para el establecimiento de cultivos en Colombia utilizando modelos de aprendizaje estadístico(Pontificia Universidad Javeriana Cali, 2025) Deaquiz Oyola, Yuli Alexandra; Feria Gómez, Diego Felipe; Ramírez Zambrano, Oscar Eduardo; Arango Londoño, DavidEl presente proyecto de investigación buscó evaluar el impacto climático en la agricultura colombiana mediante el modelado de distribución de especies (SDM) , su foco se centró en los cultivos de Café, Banano y Aguacate al ser estos fundamentales en la economía del país, mediante las proyecciones climáticas de las bases de datos de WordClim, se mapeo y predijo cambios geoespaciales de las áreas productivas frente a condiciones climáticas futuras, anticipando reducciones en áreas aptas debido al aumento de la temperatura y alteraciones en los patrones de precipitación, dentro de los resultados se incluye identificación de zonas con mayor potencial, evaluación de la viabilidad de producción frente a variables climáticas y no climáticas con el fin de que fortalecer la sostenibilidad agrícola, este proyecto contribuye a la planificación y adaptación del sector agrícola, promoviendo decisiones informadas que mitiguen riesgos económicos y alimentarios, y fomenten la implementación de prácticas agronómicas sostenibles en el contexto de un Plan Nacional de Adaptación al cambio climático.Item Modelo predictivo para estimar el crecimiento en la publicación de datos sobre biodiversidad: un enfoque basado en variables socioeconómicas y decisiones gubernamentales en el nodo GBIF Colombia(Pontificia Universidad Javeriana Cali, 2025) Ortiz Gallego, Ricardo; Badillo Mojica, Daniel; Arango Londoño, DavidLa disponibilidad y acceso a datos abiertos sobre biodiversidad son fundamentales para orientar estrategias de conservación y toma de decisiones. Sin embargo, la ausencia de herramientas predictivas que integren variables socioeconómicas y de gobernanza ha limitado la capacidad para anticipar su crecimiento y contribuir al cumplimiento de compromisos internacionales como la Meta 21 del Marco Mundial Kunming-Montreal. Este proyecto tuvo como objetivo desarrollar un modelo predictivo para estimar el crecimiento en la publicación de datos sobre biodiversidad en el nodo GBIF Colombia, combinando información socioeconómica y gubernamental. El proceso metodológico incluyó la recolección, depuración y análisis exploratorio de datos de fuentes principales como el Banco Mundial, GBIF y el Open Government Partnership, seguido de la implementación de modelos estadísticos como Efectos Fijos, LASSO, Ridge y modelos de aprendizaje automático como Random Forest, XGBoost, LSTM, evaluados mediante validación cruzada temporal. Destaca el mejor desempeño, estabilidad y capacidad para capturar la tendencia de crecimiento anual en la publicación de datos a través de un modelo híbrido (Ridge + Random Forest). El modelo propuesto ofrece una herramienta estratégica para proyectar escenarios de crecimiento a partir de variables socioeconómicas, apoyar la planificación y contribuir al cumplimiento de los compromisos internacionales sobre biodiversidad y ciencia abierta.Item Predicción del tráfico de datos de las zonas Wi‑Fi públicas de Santiago de Cali(Pontificia Universidad Javeriana Cali, 2025) Martínez Méndez, Paulo Andrés; Guzmán Morales, Edier; Linares Ospina, Diego Luis; Álvarez Vargas, Gloria InésLas zonas WiFi de Cali se vienen operando desde hace años en la ciudad simplemente con el servicio estándar de internet. No existe una preparación del ancho de banda y la infraestructura necesaria para dicho servicio dependiendo de la demanda del área, la población y visitantes en ciertos periodos de tiempo. Este trabajo busca, desde la ciencia de datos, predecir el tráfico que se necesita en determinadas épocas para así adecuar el ancho de banda de la zona y la infraestructura necesaria. Lo anterior se logra alimentando modelos de aprendizaje con los datos del tráfico de 63 zonas WiFi de la ciudad que la alcaldía de Cali ha recolectado a lo largo de dos años.Item Modelo predictivo de puntualidad aérea (OTP) en Colombia basado en factores climáticos(Pontificia Universidad Javeriana Cali, 2025) Buitrago Martín, Daniel Mauricio; Martínez López, David Steven; Vidal Godoy, Paula; Arango Londoño, DavidLa puntualidad de los vuelos, medida a través del indicador On-Time Performance (OTP), constituye un aspecto crítico en la calidad del servicio aeronáutico y en la eficiencia operativa de las aerolíneas. En Colombia, las condiciones climáticas se han identificado como uno de los factores que más inciden en los retrasos, generando afectaciones operativas, sobrecostos y una disminución en la satisfacción del pasajero. Este estudio toma como unidad de análisis los vuelos comerciales domésticos operados en Colombia, integrando información histórica de desempeño operacional y variables meteorológicas. El horizonte temporal de análisis comprende datos entre 2019 y 2024, obtenidos de fuentes oficiales como Aerocivil, Cirium, Flightradar24, IDEAM, NOAA y reportes METAR. A partir de estos datos se desarrolla un modelo predictivo basado en técnicas de aprendizaje supervisado, específicamente Random Forest y XGBoost, con un proceso metodológico que incluye análisis exploratorio, selección de características, construcción del modelo y validación mediante métricas estándar de clasificación. El propósito es estimar la probabilidad de retraso y alcanzar un desempeño igual o superior al 85% de precisión, además de identificar las variables meteorológicas más influyentes en el comportamiento de la puntualidad aérea. Los resultados esperados buscan aportar una herramienta de apoyo para la toma de decisiones operativas, optimizar la planificación, reducir costos asociados a demoras y contribuir al fortalecimiento del sector aeronáutico colombiano.Item Predicción de precios de activos de renta variable de la BVC mediante modelos de aprendizaje supervisado(Pontificia Universidad Javeriana Cali, 2025) Ossa González, Genjis Alberto; De la Hoz Vicari, Paolo Andrés; Mora Cardona, Mario JuliánEl presente trabajo desarrolla un modelo integral para la predicción de retornos logarítmicos y precios de activos de renta variable de la Bolsa de Valores de Colombia (BVC) empleando metodologías de aprendizaje supervisado. Dado que los mercados financieros operan en un entorno marcado por la alta incertidumbre, la volatilidad y la presencia de dinámicas no lineales, anticipar correctamente el comportamiento de los activos continúa siendo un desafío central tanto para investigadores como para gestores de inversión. Con este propósito, se construyó un pipeline para el tratamiento y modelado de series temporales financieras, que abarcó la depuración de datos, el enriquecimiento mediante indicadores de calidad, volumen, microestructura de mercado, volatilidad e indicadores técnicos, y la posterior implementación de modelos predictivos. La investigación compara el desempeño de modelos clásicos y avanzados, incluyendo dos baselines el Naive0 y Persist, algoritmos basados en árboles de decisión (Random Forest, XGBoost y LightGBM) y redes neuronales recurrentes tipo LSTM, diseñadas para capturar dependencias temporales de largo plazo. Todos los modelos fueron evaluados bajo un esquema de partición temporal estricta (TRAIN–VALID–TEST), evitando la fuga de información y asegurando una medición realista del desempeño fuera de muestra. En cuanto a la predicción de retornos, los resultados muestran que la naturaleza altamente ruidosa y volátil del mercado dificulta la obtención de patrones estables y consistentes a lo largo del tiempo. En este escenario, los modelos basados en boosting, especialmente LightGBM, lograron mejoras moderadas respecto a los baselines en términos de MAE, RMSE y tasas de acierto direccional. Asimismo, las redes LSTM demostraron una capacidad superior para capturar señales direccionales, aun cuando sus métricas de error no siempre superaron a los modelos más simples. Bajo esta estructura, el modelo Naive0 resultó ser el más efectivo, al obtener los menores valores de MAE, RMSE y MAPE, junto con los mayores niveles de R² en todos los emisores. Esto indica que, para pronosticar el nivel absoluto del precio, la mejor aproximación consiste en asumir que el precio futuro será similar al del periodo anterior, lo que explica por qué los modelos complejos no lograron superarlo de manera consistente. El segundo mejor desempeño correspondió a LightGBM, que mostró una mayor estabilidad y generalización que el modelo Persist y que otros algoritmos supervisados, posicionándose como la alternativa más robusta entre los modelos de aprendizaje automático más avanzados.Item Correlación entre cobertura vegetal y niveles de contaminación del aire en los alrededores de Cali: un enfoque basado en análisis de datos satelitales e inteligencia artificial(Pontificia Universidad Javeriana Cali, 2025) Villarreal Monsalve, Alejandro; Osorio Serna, Carlos Andrés; Méndez Gutiérrez, Nicolás; Solano Correa, Yady TatianaEste trabajo de maestría investiga la relación entre la infraestructura verde urbana y la calidad del aire en Santiago de Cali, empleando técnicas de Ciencia de Datos y teledetección. El objetivo central fue determinar la correlación estadística entre la densidad de la cobertura vegetal y las concentraciones de material particulado (𝑃𝑀10 y 𝑃𝑀2.5) en la ciudad. La metodología consistió en el desarrollo de un flujo de trabajo (ETL) que integró imágenes satelitales de alta resolución de la constelación PlanetScope con datos históricos (2017 2020) de seis estaciones de monitoreo oficiales (SVCASC). Para la clasificación de la cobertura del suelo, se evaluaron diversos algoritmos de aprendizaje automático, siendo Random Forest el de mejor desempeño con una exactitud del 83.33%, superando a modelos como XGBoost y SVM. Los resultados arrojaron una correlación global de Pearson de 𝑟 = −0.37, confirmando que existe una relación inversa moderada: a mayor vegetación, menor contaminación. No obstante, el estudio destacó hallazgos críticos sobre la distribución espacial del problema. En el centro (estaciones Obrero y La Ermita), el efecto de "cañón urbano" y la alta densidad de emisiones saturan la capacidad de mitigación de la vegetación existente. Simultáneamente, se identificó una profunda desigualdad ambiental en el oriente de la ciudad (estación Compartir), donde la pérdida acelerada de cobertura vegetal coincide con un aumento en los niveles de 𝑃𝑀2.5. Se concluye que, si bien la vegetación actúa como un filtro natural funcional, en muchas zonas de Cali se encuentra saturada o es insuficiente. El estudio recomienda integrar urgentemente estrategias de expansión de áreas verdes en la planificación territorial para mejorar la salud pública.Item Sistema para la estimación de peso de ganado bovino a partir de técnicas de aprendizaje automático(Pontificia Universidad Javeriana Cali, 2025) Perdomo Trujillo, Miller Eduardo; Linares Ospina, Diego Luis; Álvarez Vargas, Gloria InésLa ganadería bovina requiere métodos precisos, prácticos y económicos para estimar el peso vivo, un parámetro esencial para el manejo productivo, la salud y la comercialización. Los métodos tradicionales básculas y cintas métricas pueden resultar costosos, poco accesibles en zonas rurales y generar estrés en los animales. Este proyecto desarrolló un sistema de estimación de peso mediante visión artificial y aprendizaje automático, optimizado para dispositivos móviles sin conexión a internet. Se construyó un conjunto de datos compuesto por 513 registros tabulares y 17 899 imágenes de vista posterior, permitiendo integrar información morfométrica y visual en distintos enfoques de modelado. Se evaluaron dos líneas metodológicas principales. La primera utilizó modelos de regresión sobre datos tabulares (SVR, Random Forest, XGBoost y MLP). Los modelos de conjunto lograron los mejores resultados, destacando XGBoost, que alcanzó un R² > 0.99 y un MAE de 3.27 kg. Este desempeño confirma que las variables morfométricas permiten una estimación altamente precisa del peso vivo. 29.9 kg), lo que evidencia que la información tabular sigue siendo esencial para obtener predicciones confiables y mejora significativamente la precisión final. Además, se desarrolló un prototipo móvil Android utilizando TensorFlow Lite para realizar inferencias directamente en el dispositivo (Edge Computing). La aplicación puede estimar el peso a partir de una fotografía del tercio posterior del animal y demostró ser funcional en entornos rurales con conectividad limitada. No obstante, la precisión basada exclusivamente en imágenes aún se encuentra por debajo de la obtenida con datos morfométricos. El segundo enfoque exploró modelos multimodales e híbridos basados en imágenes. El mejor resultado provino de una arquitectura paralela que combina una ResNet50 preentrenada para extraer características visuales con un MLP Regressor para procesar los datos tabulares. Esta fusión alcanzó un R² = 0.74 y un MAE = 21.57 kg. Es relevante subrayar que estas métricas corresponden al modelo híbrido y no a uno puramente visual. Al evaluar únicamente la rama de visión, el desempeño disminuyó (R² ≈ 0.60 y MAE ≈ En conclusión, los datos tabulares ofrecen la mayor precisión disponible; la combinación multimodal mejora respecto a la visión sola, pero no supera al mejor modelo tabular (XGBoost). El prototipo móvil demuestra viabilidad práctica y potencial de aplicación real, aunque requiere mejoras en la integración de modalidades y en la robustez ante variabilidad de captura para alcanzar niveles comparables a los métodos tradicionales.Item Predicción de brotes de dengue en Cali, Medellín y Bucaramanga utilizando modelos de machine learning(Pontificia Universidad Javeriana Cali, 2025) Rayo Grajales, Julián Mauricio; Pinto Montes, Julián Andrés; Eklouh Molinier, Christophe; Ortega Lenis, DeliaEl presente proyecto de Maestría en Ciencia de Datos se orienta a la predicción de brotes de dengue en las ciudades de Cali, Medellín y Bucaramanga utilizando modelos de aprendizaje automático. El dengue constituye un problema persistente de salud pública en Colombia, cuya dinámica está influenciada por factores climáticos, ambientales y socioeconómicos, lo que dificulta su control mediante métodos tradicionales de vigilancia epidemiológica. Para el desarrollo del proyecto se construyó una base de datos integrada a partir de fuentes oficiales como SIVIGILA, IDEAM y DANE, que incluye registros semanales de casos de dengue desde 2007–2019, así como variables climáticas como temperatura, humedad y precipitación. Se realizó un proceso riguroso de limpieza, consolidación y análisis exploratorio de los datos para identificar patrones estacionales, correlaciones y rezagos temporales entre las variables. El modelado predictivo se desarrolló bajo dos escenarios: uno basado únicamente en variables climáticas y otro que incorpora además la inercia epidemiológica mediante promedios móviles de contagios. Se implementaron diversos algoritmos de Machine Learning, incluyendo Random Forest, XGBoost, redes neuronales densas y modelos recurrentes tipo GRU. Los modelos fueron entrenados con partición temporal y evaluados con métricas de desempeño como el RMSE. Los resultados evidencian que la incorporación de la inercia epidemiológica mejora significativamente la capacidad predictiva de los modelos, permitiendo anticipar semanas de alta incidencia con mayor precisión. Este proyecto aporta una herramienta analítica útil para fortalecer la vigilancia epidemiológica y apoyar la toma de decisiones en salud pública, contribuyendo a la gestión oportuna del riesgo y a la optimización de recursos en contextos urbanos vulnerables.Item Diseño e implementación de modelos de Aprendizaje de Instancias Múltiples para la clasificación débilmente supervisada de imágenes histopatológicas de cáncer de próstata(Pontificia Universidad Javeriana Cali, 2025) Restrepo Rosero, Juan José; Belalcázar Perdomo, María Valentina; Gil González, JuliánEste trabajo de grado presenta el diseño, implementación y evaluación de un pipeline experimental reproducible basado en Aprendizaje de Instancias Múltiples (Multiple Instance Learning, MIL) para la clasificación débilmente supervisada de imágenes de lámina completa (Whole Slide Images, WSI) en cáncer de próstata.El estudio aborda dos desafíos fundamentales de la histopatología digital: la variabilidad interobservador en la gradación tumoral y la escasez de anotaciones locales a nivel de parche. La metodología propuesta integra un esquema de preprocesamiento orientado a la selección de regiones tisulares relevantes mediante ltrado en el espacio de color HSV, extracción de representaciones profundas utilizando una ResNet-50 preentrenada como extractor congelado de características, y entrenamiento de arquitecturas MIL con mecanismos de agregación clásicos y basados en atención. El proceso experimental se desarrolló sobre la base de datos pública SICAPv2 y se evaluó mediante validación cruzada estricta estratificada por paciente (GroupKFold), garantizando la separación completa entre entrenamiento y prueba a nivel de WSI. Los resultados evidencian que los modelos basados en atención, particularmente SmABMIL, superan consistentemente a los enfoques de pooling tradicional en métricas clínicas relevantes a nivel de lámina completa. En promedio, se obtuvo un F1-score superior a 0.83 y una AUC-ROC cercana a 0.86, junto con una mayor estabilidad interfold y mejor equilibrio entre sensibilidad y especificidad. Adicionalmente, la incorporación de mecanismos de atención permitió generar mapas de relevancia espacial coherentes con patrones histopatológicos asociados a malignidad, fortaleciendo la interpretabilidad del sistema. En conjunto, el trabajo demuestra la viabilidad del aprendizaje con supervisión débil para clasificación de cáncer prostático en WSI y establece una base metodológica sólida y reproducible para el desarrollo de sistemas de apoyo a la decisión clínica en patología digital.Item Implementación de modelos de machine learning para la predicción de la demanda en una empresa manufacturera de productos de aseo y desinfección(Pontificia Universidad Javeriana Cali, 2025) Isaza Sanabria, Luisa Angélica; Murillo Cadena, Juan Andrés; Villa Infante, Carlos Fabián; García Arboleda, Isabel CristinaEste proyecto de investigación implementó modelos de Machine Learning con el objetivo de optimizar la predicción de la demanda en una empresa manufacturera de productos de aseo y desinfección, atendiendo problemáticas como el exceso de inventarios y ventas pérdidas. A partir de un análisis exploratorio de datos se identificaron variables relevantes y patrones de comportamiento de la demanda que permitieron incrementar la precisión de los pronósticos mediante técnicas avanzadas de ciencia de datos. Los resultados obtenidos en los modelos se sistematizaron y se presentaron en un dashboard interactivo en Power BI, lo que facilitó la interpretación de la información y respaldó la toma de decisiones tanto operativas como estratégicas. En términos de impacto, la implementación de esta propuesta contribuyó a optimizar la gestión de inventarios, disminuir el riesgo de desabastecimiento y reducir los costos asociados a productos obsoletos, evidenciando la pertinencia de estas metodologías en entornos industriales caracterizados por una alta variabilidad en la demanda.Item Diseño e implementación de un sistema para la clasificación de reseñas en portales web utilizando análisis de sentimientos y modelos ocultos de Markov(Pontificia Universidad Javeriana Cali, 2025) Llanos Gallego, Leidy Tatiana; Díaz Alonso, John; Valencia Marín, Cristhian KaoriEl proyecto cuenta con el objetivo principal de desarrollar un sistema inteligente que se fundamenta en los Modelos Ocultos de Markov, orientado a la identificación y clasificación de opiniones y emociones en las reseñas de los usuarios presentes en portales web. La estrategia para alcanzar este propósito implico la implementación de una metodología de preprocesamiento de datos integral, que aborda el tratamiento de cadenas de texto mediante modelos de procesamiento del lenguaje natural. El proyecto contemplo la creación de un Modelo Oculto de Márkov diseñado con la capacidad de capturar estructuras latentes y transiciones de estados de ánimo presentes en las reseñas, permitiendo la identificación precisa de los sentimientos expresados por los usuarios. Esta característica distintiva permitió una identificación más precisa de los sentimientos expresados por los usuarios al analizar sus comentarios y críticas. Para validar y perfeccionar este modelo, se llevó a cabo pruebas y evaluaciones exhaustivas utilizando conjuntos de datos reales recopilados de diversos portales web. La atención se centró en evaluar la precisión y eficacia del sistema en términos de clasificación, asegurando así su robustez y utilidad práctica. Como parte integral del enfoque del proyecto, se incorporó un módulo de software en Python para el procesamiento de la base de datos de los portales web, lo que proporciono un conjunto de datos estructurados y categorizados, crucial para el entrenamiento y validación efectiva del modelo. Se aplico técnicas de análisis de texto avanzadas para extraer patrones significativos y tendencias en las opiniones de los usuarios y la utilización del algoritmo de Baum-Welch que se planteó para la estimación de parámetros, contribuyendo así a la mejora continua del rendimiento del sistema, por último, el proyecto implemento un módulo de software desarrollado en Python de los Modelos Ocultos de Márkov y procesamiento de Lenguaje Natural, registrado mediante un documento con el desarrollo del proyecto y los resultados de los análisis realizados, integrando todas las lecciones aprendidas durante las pruebas y evaluaciones previas. Este proceso busco afinar la adaptabilidad del sistema a diversas plataformas web y contextos de uso, una vez implementado se estima que la aplicación de un proyecto de esta clase logra beneficiar a todo tipo de negocios, industrias, y emprendimientos, que busquen mejorar la reputación de su marca, o la satisfacción del consumidor, incorporándose en estrategias de inteligencia de mercado, imponiéndose y aventajando a sus competidores.Item Detección de problemas cardíacos en imágenes digitales mediante modelos de aprendizaje automático y visión por computadora(Pontificia Universidad Javeriana Cali, 2025) Tierradentro Muñoz, John Andrés; Sánchez Caviedes, Narly Beatriz; Torres Beltrán, Luisa Fernanda; Gil González, JuliánEste proyecto abordó el desarrollo de una herramienta computacional capaz de mejorar la precisión y eficiencia en el diagnóstico de patologías cardíacas. Este tema fue de gran relevancia, ya que las enfermedades cardiovasculares son responsables de un tercio de las muertes a nivel global, y el diagnóstico oportuno y preciso resulta fundamental para prevenir complicaciones graves como infartos y accidentes cerebrovasculares. Actualmente, el análisis de imágenes médicas, como ecocardiogramas y resonancias magnéticas, depende principalmente de la experiencia de los especialistas, lo que introduce riesgos de subjetividad, errores humanos y diagnósticos inconsistentes. Además, el creciente volumen de datos médicos genera una sobrecarga para los profesionales de la salud, dificultando la dedicación suficiente a cada caso. El objetivo general del proyecto fue desarrollar un sistema automatizado que detectara obstrucciones cardíacas en imágenes digitales, utilizando técnicas de aprendizaje automático y visión por computadora, con el fin de mejorar la precisión del diagnóstico y reducir el tiempo de análisis. Entre los objetivos específicos se incluyeron la identificación de las características relevantes de las imágenes médicas para el análisis, la selección e implementación de los modelos de aprendizaje más adecuados y la creación de una interfaz gráfica que permitiera a los especialistas interactuar de forma sencilla con la herramienta. Se esperaba que este sistema no solo facilitara la detección precisa de problemas cardíacos, sino que también disminuyera la carga de trabajo de los médicos y redujera el margen de error humano. Como resultados esperados, se contempló el desarrollo de un modelo computacional que ofreciera altos niveles de precisión en la detección de patologías cardíacas, validado con un conjunto de datos de imágenes médicas. Asimismo, la implementación de una interfaz accesible promovió su uso práctico. Las posibles aplicaciones del sistema incluyeron su integración en hospitales y centros médicos para apoyar el diagnóstico de enfermedades cardiovasculares y su uso como herramienta educativa en la formación de nuevos especialistas. Este proyecto buscó contribuir al avance de la medicina digital y ofrecer una solución tecnológica que fortaleciera la atención en salud cardiovascular.Item Modelo de aprendizaje automático para la predicción del comportamiento epidemiológico del dengue en un hospital pediátrico de Cartagena de Indias(Pontificia Universidad Javeriana Cali, 2025) Doria Atencia, Joel Joel; Linares Ospina, Diego Luis; Álvarez Vargas, Gloria InésEl dengue continúa siendo un problema prioritario de salud pública en regiones tropicales, lo que ha motivado el desarrollo de herramientas analíticas para apoyar la vigilancia epidemiológica. El presente trabajo tuvo como objetivo evaluar el desempeño de distintos enfoques de modelación de aprendizaje automático para la predicción semanal de la incidencia de dengue sin signos de alarma, dengue con signos de alarma y dengue grave. Se construyeron series temporales semanales para entrenar modelos base de regresión lineal, perceptrón multicapa, bosque aleatorio y máquinas de soporte vectorial, así como versiones optimizadas. El desempeño fue evaluado mediante métricas de error (MAE, MSE, RMSE y R²), además de comparaciones frente a un modelo ingenuo. Los resultados evidenciaron un comportamiento no lineal en la dinámica de la enfermedad, con desempeños variables según el subgrupo clínico. El perceptrón multicapa mostró un rendimiento ligeramente superior en términos de error y estabilidad de las predicciones. Finalmente, se desarrolló un prototipo de aplicación utilizando el perceptrón optimizado como método de presentación de resultados.