Facultad de Ingenierías

Permanent URI for this community

http://10.1.4.15:4000/handle/123456789/7

Formamos profesionales íntegros, éticos y competitivos en diversas áreas ingenieriles, apoyados en innovaciones pedagógicas coherentes con las demandas del medio, comprometidos, además, con los ejes social, ambiental y empresarial de los entornos regionales y aportando al desarrollo del país.

Browse

Now showing 1 - 20 of 368

Las 5S como una técnica de trabajo para orientar la gestión de los tenderos en el municipio de Montería (Córdoba)
(Corporación Universitaria Remington, 2023) Hernández Méndez, Blenda Isabel; Miranda Valencia, Luisa Fernanda; Váquez López , Lenys Esther
En la actualidad todos los negocios, grandes o pequeños deben ser competitivos, y experimentar mejoras en todos sus procesos para sobrevivir y mantener en el mercado. La técnica de las 5S es una filosofía japonesa de mejora continua, aportando al buen uso de los espacios, el mantenimiento del orden y limpieza, con estándares y disciplina, ideal para aplicarla en diferentes sectores, como en tiendas y minimercados. por su facilidades y bajos costos, con resultados positivos en términos de eficiencia, productividad, calidad e imagen. Con esta investigación se busca proponer las 5S como una técnica de trabajo para orientar la gestión de los tenderos en sus negocios y generar cambios en el aprovechamiento de espacios, almacenaje, orden y limpieza; y contribuya a incrementar la eficiencia y mejora de imagen ante los clientes, Aplicando una investigación de tipo cuantitativo, descriptivo no experimental, donde se están obteniendo los datos de forma directa, a través de técnicas como la observación directa y encuestas. Tomando como población los tenderos del municipio de Montería con una muestra de 20 tenderos. Los resultados se exponen a partir de cada una de las “S” que plantea la técnica, la clasificación y ubicación de los productos en las tiendas y/o minimercados, prácticas en el manejo de la higiene, estandarización y aplicación de procedimientos, normas y reglamentos y el nivel de disciplina de los tenderos y colaboradores, con respecto a las normas y conductas establecidas por ellos mismos.
Agilidad empresarial
(Corporación Universitaria Remington, 2024) Álvarez Gualdron, Elvar; Bermúdez Mendoza, Milton Manuel; Martínez Orozco, Alejandro
Sabemos que la revolución industrial no es un tema desconocido ni mucho menos nuevo, esta fue periodo de una transformación económica a partir de su surgimiento en el siglo XVIII cuando fue creada la maquina a vapor y el uso nuevas fuentes energéticas, teniendo un gran impulso a finales del siglo XIX en donde empezaron a aparecer las maquinas automatizadas esto origino el surgimiento del nuevo orden económico y comercial destacado por el desarrollo de industrias, el aparecimiento del petróleo y de la electricidad. Y sin tardar mucho llega su tercera etapa en el siglo XX con el surgimiento las nuevas tecnologías de la comunicación, como Internet, y las energías renovables dieron lugar a grandes innovaciones. En la actualidad dicha revolución se encuentra en su cuarta etapa con la digitalización de la industria y de servicios, construyendo compañías ágiles y colaborativas, que mejoran sus productos y servicios dirigidos a un público que se maneja digitalmente. La Cuarta Revolución Industrial que comienza en la década del 2010 y nos recuerda a esta actualidad donde hablamos de periodo donde nos encontramos en donde llego la transformación con la tecnológica. Esta cuarta revolución industrial está logrando transforma nuestra economía, una sociedad sin dejar a un lado que está tocando la política a nivel global.
Algoritmo computacional para el análisis y toma de decisiones de puntos calientes en el año 2021 y 2022 utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Cruz Santos, Edwin Ferney; Briñez de León, Juan Carlos
Durante la ejecución del proyecto actual de Machine learning en tiempo de datos, se inicia con la identificación de variables para su análisis, recurriendo a los historiales de empresas u organizaciones dedicadas a recopilar la información necesaria en formato de conjuntos de datos. Estos conjuntos de datos son esenciales para facilitar el aprendizaje del modelo y la toma de decisiones adecuadas, así como para fomentar un aprendizaje continuo a partir de la información que se recopila diariamente. Para llevar a cabo este proceso, se han seleccionado las condiciones climáticas que podrían haber desencadenado posibles incendios forestales en Colombia durante el año 2022. A partir de estos mismos datos, es posible identificar las zonas más afectadas durante el período mencionado. Esto, a su vez, permite desarrollar estrategias para abordar la situación en dichas zonas, teniendo en cuenta la magnitud del impacto. La extensión geográfica de los incendios y su intensidad son variables clave que se tienen en cuenta al diseñar acciones preventivas y de respuesta. Es importante destacar que el análisis de datos no se limita únicamente a la identificación de áreas afectadas, sino que también implica la evaluación de factores subyacentes que contribuyen a la propagación y la severidad de los incendios forestales. Esto puede incluir factores como la densidad forestal, la presencia de vías de acceso, la disponibilidad de recursos para combatir incendios y las condiciones climáticas locales. En resumen, el proyecto actual de Machine learning en tiempo de datos se centra en la identificación y análisis de variables clave relacionadas con los incendios forestales en Colombia en el año 2022, con el objetivo de desarrollar estrategias efectivas para la prevención y respuesta ante futuros eventos similares. Este enfoque integrado, que combina la recopilación y análisis de datos con técnicas avanzadas de modelado predictivo, es fundamental para mejorar la capacidad de anticipación y gestión de riesgos en el contexto de la gestión forestal y la protección del medio ambiente.
Algoritmo computacional para el análisis y toma de decisiones en compra y producción de hilos en Fabricato, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Rojas Orozco, Rafael Andrés; Briñez de León, Juan Carlos
Este proyecto busca mejorar la gestión de la demanda de hilos en la empresa textil Fabricato mediante el uso de métodos de machine learning. El objetivo principal es optimizar la cadena de suministro, reducir costos y mejorar la planificación de compras y producción a través de una predicción precisa de las cantidades necesarias. Este proyecto implica recopilar y depurar una base de datos que consta aproximadamente de 6,335 registros internos de Fabricato, los cuales incluyen información sobre explosión de hilos, adquisiciones de materias primas y pedidos de clientes. La calidad y consistencia estos datos son esenciales para un análisis posterior. Una vez recopilados y procesados, se emplearán algoritmos de aprendizaje automático, como regresión para analizar los datos y lograr extraer información relevante sobre tendencias, estas técnicas abarcan normalización de los datos, eliminación de valores atípicos e imputación valores de faltantes. Asimismo, se realizarán pruebas de validación y ajustes para garantizar la robustez del modelo desarrollado. La aplicación de modelos predictivos permitirá a Fabricato prever la demanda de hilos en los próximos meses, teniendo en cuenta las fluctuaciones del mercado y los plazos de entrega de la materia prima. Esta anticipación es vital para mantener un flujo óptimo en el proceso productivo, evitar excesos de inventario y disminuir los costos asociados a la gestión de materiales innecesarios. Además de pronosticar la demanda, el proyecto también se enfocará en evaluar la efectividad y precisión del software desarrollado mediante indicadores clave de rendimiento. Estas métricas abarcarán la reducción de gastos por excedentes en inventario, el perfeccionamiento en la planificación de compras y la optimización de la cadena de suministro de hilos. La digitalización y aplicación de algoritmos basados en aprendizaje automático han sido cruciales para optimizar los procesos y facilitar la toma decisiones dentro del ámbito del suministro textil. La recopilación detallada y análisis exhaustivo de los datos, junto con estrategias avanzadas de regresión y clasificación, han contribuido significativamente a mejorar el desempeño global de Fabricato.
Algoritmo computacional para el análisis y toma de decisiones en compras de ingredientes e insumos para producto terminado utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Benavides Garzón, Luis Carlos; Briñez de León, Juan Carlos
Este trabajo final se centra en el desarrollo de un algoritmo computacional que emplea técnicas de Machine Learning para optimizar el proceso de compra de ingredientes e insumos necesarios para la producción de productos terminados. El objetivo principal es mejorar la eficiencia y la precisión en la toma de decisiones relacionadas con las compras, asegurando así una gestión de inventarios más efectiva y una reducción de costos.
Algoritmo computacional para el análisis y toma de decisiones en datos de ataques cibernéticos y ciberseguridad a compañías pull de abogados en Colombia, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Mora Alvarado, Jeyson Esneyder; Briñez de León, Juan Carlos
En un entorno donde la seguridad de la información se vuelve cada vez más importante, la realización de una investigación tipo tesis centrada en el análisis de brechas de ciberseguridad y vectores de ataques dirigidos específicamente a bufetes de abogados representa un área de estudio crucial. Los bufetes de abogados se convierten en objetivos potenciales para los ciberataques porque manejan datos confidenciales y sensibles de sus clientes, lo que resalta la importancia de comprender y mitigar las vulnerabilidades en sus sistemas de información. La investigación se centrará en identificar y analizar las brechas de seguridad en los sistemas de TI utilizados por los bufetes de abogados. Esto requeriría un examen completo de la infraestructura de TI, que incluye redes, sistemas de almacenamiento de datos, aplicaciones y dispositivos utilizados en la comunicación con clientes y la gestión de casos legales. Se pueden encontrar puntos débiles potenciales que los actores malintencionados podrían explotar mediante el uso de técnicas de evaluación de vulnerabilidades y análisis forense digital. La investigación también se enfocaría en comprender los vectores de ataques más comunes dirigidos a los bufetes de abogados, además del análisis de brechas de seguridad. Esto implica investigar cómo los ciberdelincuentes afectan la seguridad de la información en este sector. Estos vectores de ataque podrían incluir ataques de phishing destinados a obtener credenciales de acceso, ransomware destinado a cifrar datos confidenciales y exfiltración de información a través de fallas en aplicaciones o sistemas de almacenamiento.
Algoritmo computacional para el análisis y toma de decisiones en datos de deserción escolar, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Castaño Díaz, José Camilo; Briñez de León, Juan Carlos
El abandono de los estudios antes de culminar el ciclo educativo representa un desafío multidimensional con repercusiones personales y sociales significativas. A través de este proyecto, se examinaron de manera exhaustiva los factores determinantes, patrones y estrategias para abordar este fenómeno en el contexto colombiano. Los hallazgos revelaron una tendencia decreciente en las tasas nacionales de deserción durante la última década, aunque persisten brechas preocupantes en ciertos segmentos poblacionales y regiones geográficas. Las disparidades más notorias se evidenciaron entre las zonas urbanas y rurales, con índices de abandono considerablemente más elevados en estas últimas, reflejando las barreras adicionales que enfrentan las comunidades alejadas de los centros urbanos. Asimismo, los análisis indicaron que los niveles superiores de educación, particularmente la enseñanza media, exhiben mayores tasas de deserción en comparación con la primaria, destacando la urgencia de implementar estrategias de retención específicas en estas etapas cruciales de formación académica.
Algoritmo computacional para el análisis y toma de decisiones en datos de entradas de vehículos eléctricos al país, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Casas Ramírez, Carlos Arturo; Briñez de León, Juan Carlos
Este proyecto aborda la transformación digital en las organizaciones y su impacto en la recopilación de datos, destacando el problema del cambio climático y las emisiones de CO2 en Colombia. Se plantea el uso de algoritmos de machine learning para predecir el aumento de matrículas de vehículos eléctricos en Colombia, utilizando datos del gobierno. Se describen diferentes tipos de aprendizaje automático y se establecen objetivos para implementar un algoritmo de machine learning. El análisis visual de datos revela tendencias en las matrículas de vehículos eléctricos, y se detalla el proceso de desarrollo e implementación del aprendizaje automático, incluyendo la modelización de regresión y la aplicación en situaciones reales, con resultados adicionales sobre la predicción del crecimiento de matrículas de vehículos eléctricos en el país.
Algoritmo computacional para el análisis y toma de decisiones en datos de la migración de venezolanos en Pamplona, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Bayona Solano, Sergio Andrés; Briñez de León, Juan Carlos
El actual proyecto implementa el machine Learning sobre una base de datos de migrantes venezolanos en el municipio de Pamplona, con el propósito de mejorar el proceso de toma de decisiones de una ONG. Este entrenamiento se lleva a cabo gracias al modelado de los datos para ser de fácil comprensión por el modelo, ayudándole a identificar tendencias, con un menor consumo de recursos, para su posterior análisis mediante el método de aprendizaje automático clustering, el cual es especial para estos problemas donde se necesita la agrupación de datos. Todo esto se desarrolla en empatía con el pueblo venezolano quien enfrenta una situación complicada y Norte de Santander se ha visto afectada por este contexto, pero en especial Pamplona al ser una ciudad de paso obligado para los migrantes pero que por sus condiciones demográficas complican la situación para ambas partes. Por lo cual con este proyecto se contribuye a la toma de decisiones efectivas en ámbitos de elaboración de planes y focalización de recursos de la ONG involucrada.
Algoritmo computacional para el análisis y toma de decisiones en datos de la predicción ICFES 2024, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Correal Rodríguez, Wilson Andrés; Pérez Cubides, Marlon Yair; Briñez de León, Juan Carlos
El examen Saber 11 es una prueba desarrollada por el Ministerio de Educación Nacional para medir la calidad de la educación secundaria. Este examen se administra a nivel nacional y su desempeño es un requisito para que los estudiantes puedan finalizar su secundaria. El estudio utilizó los resultados de las últimas pruebas Saber 11 realizadas el 2023 por estudiantes de Colombia. Los datos se obtuvieron de https://www.datos.gov.co para predecir los resultados globales para 2024 basándose en el modelo de aprendizaje MLP supervisado por MLP. Según lo anterior este estudio aprovechará los datos, basado en los resultados del algoritmo de puntaje global de 2023. Se utilizaron 500. Se tomaron seis pasos para construir un modelo. 1) Identificación de problemas de aprendizaje de automóviles (explicaciones, objetivos y variables (investigación, limpieza, variable de categoría), 3) correlación entre funciones (correlación y gráficos académicos de variables, 4) modelo educativo (implementación) Modelo seleccionado 5) Prueba de clasificación. (Simulación para ilustrar cómo el modelo puede predecir la puntuación general comparando el modelo seleccionado con el conjunto de datos original utilizando las variables de entrada y promediando los cinco componentes evaluados en la Prueba de conocimientos 11). Como resultado el modelo dio los datos requeridos por nosotros.
Algoritmo computacional para el análisis y toma de decisiones en datos de lugares con mayor incidencia de Covid-19, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Castro Camargo, Oscar Andrés; Briñez de León, Juan Carlos
La propagación descontrolada del COVID-19 en China, Italia, Irán y la República de Corea resultó en un porcentaje más alto de casos en comparación con países como Francia, España, Alemania, Emiratos Árabes Unidos y otras naciones europeas. Varios factores contribuyeron a esta notable diferencia en las tasas de incidencia. En China, donde se originó el brote, la falta de preparación inicial y la demora en implementar medidas de contención efectivas permitieron que el virus se propagara rápidamente. La alta densidad poblacional en algunas regiones y la intensa movilidad interna fueron facilitadores adicionales de la transmisión (Huang et al., 2020). Italia fue uno de los primeros países europeos en registrar un gran número de casos debido a la tardanza en imponer medidas de distanciamiento social, la alta proporción de población anciana vulnerable y la arraigada cultura de reuniones familiares frecuentes (Remuzzi & Remuzzi, 2020). En Irán, las autoridades fueron lentas en reconocer la gravedad de la situación y tardaron en implementar medidas de contención adecuadas. Además, la celebración de eventos masivos y la negativa inicial a cancelar las peregrinaciones religiosas aceleraron la propagación del virus (Abdi, 2020). La República de Corea experimentó un brote significativo relacionado con la Iglesia de Shincheonji, cuyos miembros se reunían en lugares cerrados y algunos ocultaron inicialmente sus afiliaciones, dificultando el rastreo de contactos (Lee et al., 2020). En contraste, países como Francia, España, Alemania y los Emiratos Árabes Unidos, si bien tuvieron un número considerable de casos, implementaron medidas de contención más rápidamente y contaban con sistemas de salud más preparados, lo que pudo haber contribuido a una menor tasa de incidencia en comparación con los primeros países mencionados (Legido-Quigley et al., 2020).
Algoritmo computacional para el análisis y toma de decisiones en datos de osteoporosis, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) García Ramírez, Sebastián; Briñez de León, Juan Carlos
La llegada de las tecnologías de la información y las comunicaciones (TIC) en el siglo XX abrió una nueva etapa, denominada "sociedad del conocimiento y la información", que ha tenido un impacto significativo en las prácticas educativas y sociales. La Inteligencia Artificial (IA), una rama de las TIC, que actualmente busca aplicaciones en sectores como la salud, emulando el razonamiento humano, el aprendizaje, la resolución de problemas y la percepción. El desarrollo de estrategias computacionales basadas en algoritmos de machine learning (ML) ha sido impulsado por la OMS y enfocándolo en La osteoporosis un trastorno esquelético de alto impacto socioeconómico. Estos algoritmos se entrenan con datos demográficos, de estilo de vida y de salud para identificar personas en riesgo rápidamente. El procesamiento de datos implica cargar conjuntos de datos en plataformas como Colab, eliminar filas y columnas innecesarias y duplicados, y normalizar datos categóricos. Variables como el género, los cambios hormonales, los antecedentes familiares, la actividad física y el consumo de sustancias se analizan. El modelo de toma de decisiones, que se basa en el aprendizaje supervisado, utiliza un algoritmo para clasificar a las personas en riesgo en función de patrones que se encuentran en los datos de entrenamiento. Esto implica recopilar y procesar datos de pacientes, elegir los algoritmos de clasificación apropiados y entrenar el modelo. Un conjunto de datos de prueba se utiliza para evaluar el modelo para comprender su rendimiento y factores de impacto. El objetivo de la implementación de esta estrategia computacional es mejorar el diagnóstico, la prevención y el tratamiento individualizado de la osteoporosis. Esta estrategia podría usarse en herramientas de diagnóstico, selección de tratamiento, modelos de riesgos y campañas de concientización.
Algoritmo computacional para el análisis y toma de decisiones en datos de pedidos de alimentos en línea, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Leguizamo Rodríguez, Daryl Giselle; Briñez de León, Juan Carlos
Actualmente nos encontramos en la era de los datos, muchas empresas por bastante tiempo contaron con un excelente manejo de sus procesos, pero debido a que el mundo sigue en constante cambio las entidades se han visto obligadas a utilizar nuevas técnicas e implementar métodos digitales para que sus empresas puedan ampliarse y llegar a mayor público. Sin embargo, todos esos datos recolectados con el tiempo pueden aportar información clave y relevante que brinde ayuda para mejorar o comprender como se maneja la entidad y con que utilidades puede disponer para brindar un servicio de calidad. Por esa razón, el objetivo de este trabajo de grado es dejar en manifiesto como el aprendizaje automático más conocido también como el Machine Learning puede contribuir a la toma de decisiones en estos tiempos actuales de datos. Se quiere demostrar que podemos sacar provecho de la era digital para nuestro beneficio, con ayuda de la inteligencia artificial, el Machine Learning usaremos todas las variables y los datos integrando las herramientas o algoritmos de esta inteligencia para sacar posibles conclusiones y resultados que aporten a la entidad de manera constructiva. Se utilizará una base de datos para realizar el desglose de la información y tener un análisis detallado de las variables para tomar una decisión en base a los resultados. Esta base de datos es de una empresa que tiene como objetivo entregar pedidos de alimentos en línea, usaremos técnicas del Machine Learning para consultar la información, obtener como se dividen los datos y que aspectos se toman en cuenta en la entidad de entrega de pedidos de alimentos en línea. Además, se evaluará como estas variables se relacionan entre sí y que puede aportarnos del comportamiento que ejerce la entidad en su lugar de operación, al analizar estos datos a profundidad podemos implementar la técnica de Machine Learning mencionada anteriormente. Esta técnica denominada “aprendizaje no supervisado (agrupación)” tiene como objetivo brindar resultados que estén orientados a mejorar la producción de la entidad o relacionar como las variables se parecen entre sí con miras a la toma de futuras decisiones. Por ende, se visualizará como al integrar nuevos registros a la base de datos después de usar un método de segmentación, los datos se reparten y nos genera una predicción de en qué agrupación de la información corresponde y como esto nos da una idea del manejo de la entidad y su relación entre sí.
Algoritmo computacional para el análisis y toma de decisiones en datos de predicción de la calidad de la leche, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Alzate Alzate, Santiago; Briñez de León, Juan Carlos
En este escrito, se destacan resultados y análisis sobre la predicción de la calidad de la leche, un líquido fundamental para garantizar la calidad alimentaria de los consumidores. La importancia de este análisis radica en su capacidad para evaluar diversos factores que influyen en la producción de leche y, a partir de ahí, identificar herramientas y medidas que permitan mejorar los estándares de calidad de este producto. La intención detrás de esta investigación y análisis es doble: por un lado, se busca comprender y prever la calidad de la leche, lo cual es crucial para garantizar la seguridad alimentaria y la satisfacción del consumidor. Por otro lado, se persigue identificar áreas de mejora en los procesos de producción láctea, con el fin de optimizar la eficiencia y la calidad del producto final. Al evaluar los factores que afectan la producción de leche, se pueden identificar posibles puntos de intervención para mejorar la calidad del producto. Esto puede incluir aspectos como la alimentación y manejo del ganado, las condiciones sanitarias de las instalaciones de producción, los procesos de pasteurización y almacenamiento, entre otros. La toma de decisiones basada en estos análisis puede conducir a la implementación de medidas correctivas y preventivas que mejoren la calidad y seguridad de la leche producida. Los posibles impactos en la cadena de productividad también son importantes de considerar. Mejorar la calidad de la leche puede tener efectos positivos en toda la cadena de producción láctea. Por ejemplo, al reducir la incidencia de contaminación o enfermedades en el ganado, se pueden evitar pérdidas económicas y mejorar la eficiencia en la producción. Asimismo, una leche de mayor calidad puede aumentar la satisfacción del consumidor, lo que a su vez puede llevar a un incremento en la demanda y, por ende, en la rentabilidad de los productores y empresas lácteas.
Algoritmo computacional para el análisis y toma de decisiones en datos de presupuesto para la compra de materiales de fabricación para prensa compactadora de cascarilla, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) González Feria, Franklin Fabian; Briñez de León, Juan Carlos
La transformación digital es un proceso mediante el cual una empresa introduce tecnologías nuevas en sus procesos y estructuras, para hacerla más eficiente y productiva. Es un cambio en el cual se involucran todos los empleados y que también tiene que ver los clientes. Por ejemplo, la primera revolución industrial fue marcada por la aparición de la maquina a vapor, la segunda con la cadena de montaje, la tercera con la aparición de la informática y las energías renovables y estamos en la cuarta con el descubrimiento de los sistemas ciber físicos, el Big Data y el internet de las cosas.
Algoritmo computacional para el análisis y toma de decisiones en datos de riesgo de obesidad, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Calderón González, Dahiana; Briñez de León, Juan Carlos
Según la OMS la tasa de niveles de obesidad entre jóvenes y adultos se ha ido incrementando con el paso del tiempo. por esto, se ha dado la tarea de la implementación de un algoritmo de machine Lear Ning de aprendizaje supervisado enfocado en el ámbito de la salud de los usuarios, este algoritmo se centra en desarrollar métodos que agilicen los diagnósticos médicos en pacientes que lo requieran, sin la necesidad de presentarse en un centro médico. Este sistema cuenta con la facilidad de entender los valores que se le brinden, buscando así predecir si un usuario cuenta con obesidad según su peso, altura, y su manejo de hábitos diarios. Estos datos obtenidos por los individuos serán tomados en cuenta para identificar en que nivel de obesidad se encuentra. Este algoritmo implementado en este trabajo, cuenta con la información de 20758 datos de personas jóvenes, adultos- jóvenes y adultos con la finalidad de dar a conocer que la obesidad es una enfermedad crónica que se debe tener en cuenta y no dejarla pasar por desapercibido.
Algoritmo computacional para el análisis y toma de decisiones en datos de solicitudes de gestión de capacidad Sofka Technologies, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Ynfante Valero, Surelys A.; Ospina Zúñiga, Nevardo Antonio; Briñez de León, Juan Carlos
En la industria de las tecnologías de la información (TI) está en constante evolución, Sofka Technologies, se ha posicionado como una empresa líder en consultoría y desarrollo de software, brindando soluciones innovadoras y adaptables para satisfacer las demandas del mercado. En este contexto dinámico, el Machine Learning (ML) ha emergido como una herramienta fundamental para analizar grandes volúmenes de datos, tomar decisiones informadas y automatizar procesos. Específicamente, en el ámbito de la gestión de solicitudes de capacidad en Sofka Technologies, el ML representa una oportunidad para optimizar la asignación de recursos técnicos y humanos a proyectos, mejorar los flujos de trabajo y aumentar la eficiencia operativa. Esto es crucial para el éxito de los proyectos y la satisfacción del cliente. El presente trabajo aborda la pregunta de cómo un algoritmo de Machine Learning puede optimizar la gestión de solicitudes de capacidad en Sofka Technologies, con el objetivo de mejorar la asignación de recursos y la eficiencia operativa. Los datos utilizados provienen de registros internos de solicitudes de posiciones laborales que Sofka Technologies ha gestionado, recopilados por sus departamentos de Recursos Humanos. Estas solicitudes incluyen información como país, tipo de cliente, centro de excelencia, número de posiciones, fechas, tipo de atención, estado, año y calificación. El análisis propuesto implica caracterizar y procesar estos datos, implementar algoritmos de Machine Learning, evaluar su desempeño y validar la toma de decisiones con nuevos datos. Las posibles aplicaciones incluyen la previsión de demanda por área y el análisis del mercado laboral por país, lo cual puede respaldar decisiones estratégicas de expansión y enfoque geográfico.
Algoritmo computacional para el análisis y toma de decisiones en datos de ventas de almacenes de la compañía Global de Pinturas - Pintuco, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Torres Ramírez, Sebastián; Briñez de León, Juan Carlos
En este trabajo se realiza un análisis de los dataset de ventas de diferentes tiendas oficiales de la empresa Pintuco para determinar con la ayuda de Google Colab y el código PYTON el comportamiento de los mismos, realizar un análisis estadístico y grafico para posteriormente proceder con una clasificación de los mismos. Después de esto se realiza un modelo computacional que permite realizar una clasificación de nuevos datos basado en la variabilidad anterior. Esto se realiza con el interés de tener criterios para asignación de incentivos económicos y laborales a los empleados de las tiendas basados en el desempeño obtenido, además en un futuro impulsar campañas de ventas y marketing que permitan aumentar las ventas en cada una de las tiendas.
Algoritmo computacional para el análisis y toma de decisiones en datos de ventas en la licorera JC Granizados, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Bustamante Bedoya, Juan Sebastián; Briñez de León, Juan Carlos
La presente investigación se realizó con el fin de tener una predicción de ventas a partir de un modelo de regresión. En este se utilizó la herramienta de machine learning con el modelo KNNR, utilizando los datos recolectados en la licorería JC granizados ubicada en el municipio de Sabaneta, Antioquia. Se tuvieron en cuenta variables como el mes, la fecha, que día del fin de semana es, la base y el total de ingresos por día, con los datos recolectados a partir del software del establecimiento se realizó un procesamiento donde se analizaron las fechas exactas de cada día registrado, para así verificar si pertenecían al viernes, sábado, domingo o festivo, posterior a esto fueron presentados al algoritmo para tener los resultados solicitados. Gracias a este modelo se puede predecir el valor de las ventas del fin de semana próximo y así el establecimiento realice la toma de decisiones, ya sea una estrategia de marketing para aumentar las ventas o también saber cuánta cantidad de pedido debe de realizar y si necesita apoyo de más personal. Este modelo puede ser utilizado por los establecimientos encargados de la comercialización de productos ya que les permitiría conocer cómo van sus ventas y como mejorarlas.
Algoritmo computacional para el análisis y toma de decisiones en datos sobre intentos de suicidio en Rionegro entre los años 2016 - 2021, utilizando estrategias de machine learning
(Corporación Universitaria Remington, 2024) Monsalve Botero, Mauricio; Morales Henao, Andrés Camilo; Briñez de León, Juan Carlos
El proyecto titulado "Algoritmo Computacional para el Análisis y Toma de Decisiones en Datos sobre Intentos de Suicidio en Rionegro entre 2016 y 2021, empleando Estrategias de Aprendizaje Automático", tiene como objetivo utilizar métodos de aprendizaje automático para analizar información acerca de los intentos de suicidio en la zona de Rionegro a lo largo de seis años. La meta principal consiste en descubrir tendencias, identificar factores de riesgo y posibles indicadores de intentos de suicidio, con la finalidad de desarrollar un sistema capaz de prevenir y detectar estos eventos de manera temprana. Este proyecto involucra la recolección y depuración de datos históricos relacionados con los intentos de suicidio en Rionegro durante el período comprendido entre 2016 y 2021. Posteriormente, se utilizarán algoritmos de aprendizaje automático, tales como clasificación y regresión, para analizar estos datos y extraer información relevante. Se explorarán diversas técnicas de preprocesamiento de datos, selección de características y modelado con el objetivo de obtener los mejores resultados posibles. Además, se llevará a cabo una evaluación exhaustiva de los modelos desarrollados, utilizando métricas de desempeño apropiadas para problemas de clasificación y regresión. Se ajustarán los modelos según sea necesario y se realizarán pruebas de validación cruzada para asegurar su robustez y generalización. Como resultado final, se espera obtener un algoritmo computacional capaz de analizar datos sobre intentos de suicidio en Rionegro, proporcionando información valiosa para la toma de decisiones en políticas de salud mental y programas de prevención. Este algoritmo tiene el potencial de contribuir significativamente a la identificación y atención temprana de personas en riesgo de suicidio en la región.