Economía, Finanzas y Computación
Permanent URI for this collectionhttps://dspace.unia.es/handle/10334/3692
Browse
Browsing Economía, Finanzas y Computación by Subject "Aprendizaje automático supervisado"
Now showing 1 - 5 of 5
- Results Per Page
- Sort Options
Trabajo académicoAlgoritmos de aprendizaje automático para la predicción de la productividad de la confección textil(Universidad Internacional de Andalucía, 2021) Pérez Zaldívar, Lisandra; Pérez Zaldívar, LisandraTrabajo de Máster en Economía, Finanzas y Computación. Tutores: Dr. D. Diego Marín Santos ; Manuel Emilio Gegúndez Arias. La precisa estimación de la productividad es uno de los factores claves para planificar la producción. Actualmente, las empresas de la confección de prendas de vestir están enfocadas en realizar pronósticos sustentados por la toma de decisiones inteligentes. En esta investigación se presenta un procedimiento para detectar si la productividad de las líneas de producción de la confección será cumplida, en base a conocimientos previos. Para ello se aplican técnicas de aprendizaje supervisado, clasificando la productividad en cumplida o no cumplida. Estas técnicas fueron aplicadas a un conjunto de registros desbalanceados del área de producción de una empresa de confección textil de Bangladesh. Después de un análisis comparativo de los datos experimentales obtenidos en el proceso de pruebas, se demuestra que los algoritmos de clasificación son más eficientes cuando el conjunto de entrenamiento de datos esta equilibrado. Siendo la técnica de Random Forest la que mejor resultados ofrece sobre los criterios de evaluación definidos (Precisión, Sensibilidad y F1-Score). Finalmente, se puede visualizar mediante la curva ROC que el modelo Random Forest entrenado con datos balanceados obtiene el mejor AUC con un 75% en el punto de corte cuando la sensibilidad alcanza un 73%, especificidad un 76%, y como umbral óptimo 1. Siendo favorable para el proceso de identificación de los casos cuando la productividad no es cumplida.- Trabajo académicoCompetición de Kaggle.com : Santander Costumer Satisfaction(Universidad Internacional de Andalucía, 2017) Mateo Vázquez, José Domingo; Mateo Vázquez, José DomingoTrabajo de Máster en Economía, Finanzas y Computación. Director/Tutor: Dr. José Manuel Bravo Caro. Este proyecto final de máster aporta una solución al problema Santander Customer Satisfaction de la plataforma kaggle.com. Es un problema de aprendizaje automático que se encuadra dentro del aprendizaje supervisado y consiste en la predicción de la satisfacción de los clientes del Banco Santander. Se han utilizado diferentes algoritmos programados en el lenguaje de programación R así como diferentes librerías.
- Trabajo académicoEquidad en aprendizaje automático. Aplicaciones(Universidad Internacional de Andalucía, 2024) Coto Palacio, Jessica; Coto Palacio, JessicaTrabajo de Máster Universitario en Economía, Finanzas y Computación (2023-24). Tutor: Dr. Antonio Javier Tallón Ballesteros. Actualmente, el Aprendizaje Automático y la Inteligencia Artificial están teniendo un impacto significativo en varios aspectos de nuestra vida cotidiana. En este trabajo se investiga cómo las disparidades en los datos de entrenamiento pueden afectar la justicia de los modelos predictivos. Utilizando técnicas como imputación de valores perdidos, selección de atributos, y optimización de parámetros en algoritmos de clasificación, junto a la incorporación de métricas de equidad, se evaluaron varios modelos en términos de su capacidad para reducir sesgos. Para desarrollar estos pasos se implementó una herramienta, a través de la cual se estudia el comportamiento de la equidad en tres bases de datos reales de clasificación. Los resultados indican que los métodos de preprocesamiento de datos y la optimización de métricas específicas pueden mejorar la equidad manteniendo la precisión del modelo. Esta investigación resalta la importancia de considerar la equidad en el desarrollo de algoritmos en aras de implementar modelos más justos.
- Trabajo académicoMejora de la predicción en tareas de aprendizaje automático supervisado : imputación de valores perdidos(Universidad Internacional de Andalucía, 2021) Del Turco, Lucía Yanina; Del Turco, Lucía YaninaTrabajo de Máster en Economía, Finanzas y Computación. Tutor: Dr. D. Antonio J. Tallón Ballesteros. En el presente trabajo, se analiza y estudia la problemática recurrente que suelen presentar las bases de datos: los missing data o valores perdidos. Se evalúan seis métodos de imputación tras su aplicación a conjuntos datos de regresión en presencia de valores ausentes. Además, se determinan los porcentajes de mejora en la predicción según RMSE (raíz del error cuadrático medio) y R2 para tres algoritmos diferentes en ocho bases de datos, siendo el objetivo central del mismo determinar si existe un método de imputación con mejor rendimiento para todos los casos donde existan valores perdidos, o por el contrario, resulta conveniente adoptar distintos procedimientos de imputación de acuerdo al método de regresión aplicado y a la base de datos analizada.
- Trabajo académicoTécnicas de aprendizaje automático para la detección de phishing de URL(Universidad Internacional de Andalucía, 2023) Alonso Graverán, Gretel; Alonso Graverán, GretelTrabajo de Máster Universitario en Economía, Finanzas y Computación (2022-23). Tutor: Dr. D. Antonio J. Tallón Ballesteros. Con el aumento significativo del uso de Internet y los servicios en línea en los últimos tiempos, principalmente por parte de gobiernos e instituciones financieras, el riesgo de ataques de phishing ha ido en constante aumento, por lo que la protección contra las amenazas a la seguridad en línea se vuelve de vital importancia. En este contexto, este trabajo se enfoca en la detección de phishing para prevenir la filtración de información privada y las pérdidas económicas, mediante la implementación de múltiples técnicas de aprendizaje automático supervisado. Este estudio se sustenta en la metodología del KDD para la búsqueda del modelo de aprendizaje más efectivo para discriminar entre URLs legítimas y fraudulentas, que incluye la preparación de datos, el manejo del desbalance de datos, la optimización de modelos y la ingeniería de características, y además, se complementa con un análisis exploratorio de los datos. Finalmente, se obtiene que el algoritmo Extra Trees (19 atributos + hiperparámetros por defecto), con una exactitud del 97,15 %, un AUC-ROC de 97,0 %, Sensibilidad del 95,48 % y Valor Predictivo Negativo de 96,38 % constituye el modelo optimo, pues garantiza una discriminación adecuada entre clases y ofrece un mejor equilibrio entre eficiencia y precisión.