Escuela Profesional de Ingeniería de Sistemas e Informática

URI permanente para esta colección

https://repositorio.unam.edu.pe/handle/UNAM/516

Examinar

Examinando Escuela Profesional de Ingeniería de Sistemas e Informática por Materia "Algoritmos"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    Análisis del rendimiento académico de los estudiantes de ingeniería utilizando técnicas de inteligencia artificial - caso: EPISI-UNAM.
    (Universidad Nacional de Moquegua, 2022-09-12) León Marín, Dina Elisa; Flores García, Aníbal
    El presente trabajo de investigación tiene como objetivo determinar causantes de bajo rendimiento académico de los estudiantes de la Escuela Profesional de ingeniería de Sistemas e Informática de la UNAM, se utiliza el método “Investigación - Acción” porque se pretende validar a través del caso de estudio. Los instrumentos utilizados para recolectar la información fue la encuesta virtual para el llenado de fichas socioeconómicas y la base de datos académicos de los alumnos donde vamos a seleccionar, preprocesar y conocer las características de los datos. El árbol de decisión es un modelo eficiente de Machine Learning que ayuda mucho a resolver múltiples tipos de problemas, es un modelo clásico de decisiones SI o NO, donde vamos a descubrir patrones y evaluar los resultados, los algoritmos utilizados son: Árbol de Decisión, Random Forest y Naive Bayes. El desarrollo del proyecto se basó en la metodología CRISP-DM.
  • Miniatura
    Ítem
    Predicción de consumo irregular del servicio de agua potable basado en métodos de machine learning en la provincia de Ilo.
    (Universidad Nacional de Moquegua, 2021-07-26) Moron Coaquira, Alonso; Tito Chura, Hugo Euler
    El presente trabajo de investigación tiene el enfoque de experimentación de algoritmos de Machine Learning en el problema de predicción de clases de consumo irregular de agua potable de la Empresa Prestadora de Servicios de Saneamiento, EPS Ilo S.A. La empresa cuenta con el registro histórico de los incidentes o casos de consumo irregular de sus usuarios, los datos registrados son variables que conducen a identificar a que clase o tipo de consumo irregular pertenece. Esta información permitió experimentar diferentes algoritmos deMachine Learning, y finalmente, definir cual de ellos se comportamejor en este caso especifico. El algoritmo más eficiente en resolver el problema es Random Forest con 98% de precisión en predicciones de clases, seguido por Árbol de decisiones con 82% de precisión y finalmente Red Neuronal Simple con el 70.83%.