Tecnología en Desarrollo de Software

Permanent URI for this collection

https://repositorio.uniremington.edu.co/handle/123456789/2039

El egresado de la tecnología de Desarrollo de Software de la Facultad de Ciencias Básicas e Ingeniería de Uniremington tiene las suficientes competencias cognitivas, comunicativas y tecnológicas que apuntan a su desempeño cualificado en la creación de proyectos que optimicen procesos de automatización, orientados a la generación de productos con altos niveles de calidad y eficiencia.

Browse

Browsing Tecnología en Desarrollo de Software by Subject "Aprendizaje supervisado"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Publication
    Desarrollo de una plataforma de asignación de tareas basada en machine learning para desarrolladores junior
    (Corporación Universitaria Remington, 2023) Pérez Lezama, Alejandro; Vélez Uribe, Juan Pablo
    El presente trabajo se enfoca en el desarrollo de una solución innovadora para mejorar la asignación de tareas en entornos de desarrollo de software, específicamente dirigida a desarrolladores junior. Este proyecto se inspira en la creciente necesidad de herramientas automatizadas y personalizadas en el ámbito de la programación y el desarrollo de software, particularmente para aquellos que están en las primeras etapas de su carrera profesional. El núcleo del proyecto se basa en la aplicación de conceptos y técnicas de Machine Learning (ML), abarcando desde fundamentos teóricos hasta prácticas aplicadas, como se explica en los cursos proporcionados. La metodología adoptada incluye el análisis detallado de los requisitos de los desarrolladores junior, la selección y preparación de los conjuntos de datos apropiados, y el desarrollo de modelos de ML adecuados para predecir y asignar tareas basándose en diversos criterios como la habilidad, experiencia previa y áreas de interés del desarrollador. Se ha hecho énfasis en la integración de conocimientos adquiridos en distintos módulos de aprendizaje, tales como "Introducción a Machine Learning", "Fundamentos Aplicados de Machine Learning", "Machine Learning: Aprendizaje Supervisado", y "Evaluación de Modelos de Machine Learning". Estos conocimientos han sido cruciales en todas las fases del proyecto, desde la conceptualización hasta la implementación del modelo de ML en la plataforma. Además, se ha considerado la importancia de la ética en la inteligencia artificial, siguiendo las directrices aprendidas. El resultado es una plataforma que no solo optimiza la asignación de tareas, sino que también sirve como herramienta de aprendizaje y desarrollo para los desarrolladores junior, proporcionándoles tareas acordes a su nivel de habilidad y promoviendo su crecimiento profesional. Este trabajo no solo refleja una aplicación práctica de los conocimientos teóricos en ML, sino que también demuestra cómo la inteligencia artificial puede ser utilizada para resolver problemas reales y mejorar procesos en el ámbito profesional.
  • Thumbnail Image
    Publication
    El machine learning en academias de educación vial
    (Corporación Universitaria Remington, 2023) Enríquez Quintero, Niyileth Karina; Bautista Villamizar, Laura Valentina; Vélez Uribe, Juan Pablo
    En este proyecto, se exploraron varios temas relacionados con la evaluación y supervisión de procesos en sistemas de información apoyados por el Aprendizaje Automático. Se aplicó el Aprendizaje Automático en Academias de Educación Vial para mejorar la gestión de la enseñanza y la evaluación de los conductores, centrándose en la predicción del consumo de combustible de los vehículos de enseñanza para optimizar los recursos y reducir los costes. La introducción al Aprendizaje Automático destacó su capacidad de aprender sin programación explícita, utilizando datos para mejorar continuamente el rendimiento del sistema. Se abordaron conceptos como el aprendizaje supervisado y no supervisado, junto con la importancia de la Ciencia de Datos. En el análisis de datos de las Academias de Educación Vial, se exploró cómo el Aprendizaje Automático puede identificar patrones en el rendimiento de los alumnos, personalizando la instrucción y contribuyendo a la automatización, especialmente en el control eficiente del combustible. Se presentó el concepto de Big Data como principal insumo para las aplicaciones de Aprendizaje Automático, generando información valiosa para la toma de decisiones estratégicas. También se hizo hincapié en la importancia de una buena estrategia de datos y en la pirámide de valor de los datos. En el mundo de la ciencia de datos, el Aprendizaje Automático se ha convertido en un cambio de juego, revolucionando la forma en que abordamos problemas complejos. Sin embargo, con la creciente complejidad de los modelos, la necesidad de interpretabilidad e inferencia causal se ha vuelto más crítica que nunca. Para hacer frente a esto, se han desarrollado varios algoritmos, como Propensity Score, Double LASSO, Causal Trees y Causal Forest, para mejorar la interpretación de los modelos y permitir una toma de decisiones informada. Estos algoritmos se centran en comprender la causalidad y la correlación, que son esenciales para desarrollar modelos sólidos. El proceso de evaluación de los modelos de Aprendizaje Automático es un paso crucial en este ámbito. Implica comprender el problema empresarial, preparar y modelar los datos, evaluar el rendimiento del modelo y finalizarlo. La preparación de los datos implica utilizar herramientas como pandas en Python, emplear técnicas como MinMaxScaler y get_dummies, y asegurarse de que los datos están limpios y listos para el análisis. Se hace hincapié en el entrenamiento de modelos y la selección de algoritmos, junto con métricas de rendimiento como las matrices de confusión, la exactitud, la precisión, el recuerdo y otras. Las técnicas de validación cruzada son esenciales para una sólida selección de modelos, y el aprendizaje supervisado mediante conjuntos de datos etiquetados se utiliza para entrenar algoritmos.