Ciencia de Datos
URI permanente para esta colección
Examinar
Examinando Ciencia de Datos por browse.metadata.advisor "Riccillo, Marcela"
Mostrando 1 - 6 de 6
Resultados por página
Opciones de ordenación
Trabajo final de especialización Categorización y análisis de la frecuencia cardíaca de un individuo con inteligencia artificial(2020) Goldman, Jorge Carlos; Riccillo, Marcela"Este estudio presenta un enfoque novedoso en la aplicación de técnicas de aprendizaje automático para la clasificación de enfermedades del músculo cardíaco. Una detección temprana de arritmias aumenta considerablemente la posibilidad de corrección y sobrevida de los pacientes mediante medicación adecuada indicada por un profesional de la salud. En el siguiente trabajo se evaluarán diversos algoritmos de aprendizaje automático con técnicas de selección de variables, a fin de lograr una clasificación, con cierto grado de exactitud, de diversas enfermedades del músculo cardíaco, basándonos en las mediciones obtenidas mediante dispositivos electrónicos. Los resultados experimentales mostraron que a través del algoritmo de Random Forest, se logra la clasificación de una persona enferma de una sana con casi 94% de exactitud, con selección de las variables más significativas mediante el algoritmo de RFE."Trabajo final de especialización Comparación de modelos para el análisis de sentimiento: utilizando redes neuronales LSTM y Word Embeddings pre-entrenados(2021) Poch, Gonzalo Julián; Riccillo, Marcela"En el presente trabajo se estudia la aplicación de la técnica de análisis de sentimiento sobre un conjunto de datos extraído de la red social Twitter, donde los usuarios realizan publicaciones de textos cortos, generalmente sobre temáticas actuales en tiempo real."Trabajo final de especialización Modelo predictivo para disminución de la tasa de portabilidades numérica a través de redes sociales(2019) Hernández, Santiago Andrés; Riccillo, Marcela"El presente trabajo permite predecir los comentarios de los usuarios más propensos a realizar la portabilidad numérica en empresas de telefonía móvil. Para ello se utilizó como fuente de datos los Tuits de Movistar Argentina y con ellos se creó un modelo de predicción de SVM, con lo cual se obtuvo un accuracy del 0.7965 para la primera variable y del 0.8021 para la segunda variable. En el mismo podremos identificar cual es la disconformidad de aquellos usuarios que tiene intención de cambiar de compañía. Esta información nos permitirá segmentar las campañas de retención de los clientes y poder cubrir las necesidades del mismo sin que lleguen a tomar esa decisión."Trabajo final de especialización Modelos de regresión para la predicción de la probabilidad de colisión entre dos cuerpos orbitando alrededor de la Tierra en una trayectoria de encuentro(2022) Wenger, Esteban Federico; Riccillo, Marcela"El número de satélites y chatarra espacial orbitando alrededor de la Tierra ha crecido en las últimas décadas. La chatarra espacial además de ser un tipo de contaminación ambiental, es también un inconveniente para las empresas operadoras de satélites. La industria conocida como New Space también ha crecido en los últimos años. Los satélites de estas empresas realizan órbitas que eventualmente tienen eventos de conjunción o de encuentro con otros cuerpos, ya sean otros satélites o chatarra espacial. Por este motivo, existe un Ente de Monitoreo que se encarga de emitir reportes conocidos como Conjunction Data Messages (CDM) que le avisa a las empresas operadoras de satélites cuando uno de sus satélites se encuentra dentro de una trayectoria de colisión con otro objecto. Para evaluar un evento de conjunción es fundamental la probabilidad de colisión y la mínima distancia a la que se encontrarán los cuerpos en el momento conocido como TCA (time of closest approach). En este Trabajo de Investigación se propone aplicar Técnicas de Machine Learning para predecir una de estas variables, la cual es fundamental a la hora de tomar la decisión de si el riesgo de un evento de encuentro amerita realizar una maniobra o no. Este Trabajo encara el problema planteando un Modelo Lineal y luego se avanza con Modelos No Lineales de Árboles de Decisión. Se aplican técnicas de Modelos de Ensemble de Boosting con dos algoritmos AdaBoost y Light Gradient Boosting Machines. Para entrenar estos Modelos se aplica un ETL que resulta interesante para los reportes CDM en formato estándar y es extensible a otros Modelos que se deseen aplicar. Los resultados obtenidos permiten obtener conclusiones que son contundentes en cuanto a la utilización de Técnicas de Machine Learning para aportar valor a los datos, en este caso CDM, y para la evaluación de este tipo eventos de conjunción."Trabajo final de especialización Optimización de modelos predictivos para Series de Tiempo Jerárquicas (HTS)(2021-10-21) Woodley, Patricio Alex; Riccillo, Marcela"Las series de tiempo jerárquicas (HTS) son un subconjunto de series de tiempo que están contenidas dentro de una estructura o jerarquía. Esta estructura puede estar dada por características propias del producto/servicio, como su categoría, departamento, etc., o por una división geográfica, como por ejemplo ciudad, estado o país. Las técnicas clásicas como ARIMA o ETS no son óptimas para este tipo de conjunto de series, ya que la estructura puede aportar información valiosa que pasaría inadvertida o al menos no tan fácilmente identificable si modelamos las series de tiempo por separado. Debido a esto, se comparó el desempeño de Redes Neuronales LSTM, las cuales son ampliamente utilizadas para series de tiempo, y de técnicas específicas para series de tiempo jerárquicas como Bottom-Up y Reconciliación Óptima para predecir las ventas de departamentos dentro de tiendas de Walmart en EE.UU. Se analizaron en detalle 70 series de tiempo a nivel tienda-departamento y se demostró la eficacia de estas."Trabajo final de especialización Utilización de redes neuronales recurrentes en la predicción de tendencias del mercado de harina de soja(2022) Alonso, Juan Ignacio; Riccillo, Marcela"La volatilidad de los precios internacionales de la Harina de Soja impacta de manera significativa la economía de distintas industrias, gobiernos y, finalmente, la población. Los modelos Auto Regresivos de Media Móvil (ARIMA) constituyen una de las herramientas de análisis de series de tiempo más utilizadas. Sin embargo, el advenimiento de nuevas tecnologías de análisis y procesamiento de datos difundieron nuevas técnicas aplicables al estudio de series de tiempo, siendo Las Redes Neuronales Recurrentes del tipo LSTM una de ellas. En el presente estudio se compara la performance relativa de modelos ARIMA y RNR LSTM en la predicción de tendencias de precios de Harina de Soja."