Estrategia computacional para predecir la calidad del café tostado a partir de variables del proceso utilizando algoritmos de machine learning

Ascanio Herrera, Yulieth Vanessa

Publication:
Estrategia computacional para predecir la calidad del café tostado a partir de variables del proceso utilizando algoritmos de machine learning

dc.contributor.advisor	Briñez de León, Juan Carlos
dc.contributor.author	Ascanio Herrera, Yulieth Vanessa
dc.date.accessioned	2025-07-08T20:36:44Z
dc.date.available	2025-07-08T20:36:44Z
dc.date.issued	2025
dc.description.abstract	Este proyecto se enfoca en el análisis de datos del proceso de tostión de café y propone un modelo computacional para predecir la calidad final del producto utilizando estrategias de machine learning, específicamente algoritmos de clustering y regresión. El análisis de datos inicia con la recopilación de información relevante del proceso productivo, incluyendo variables como temperatura, tiempo de tostión, humedad del grano, tipo de café y perfil de tueste. La información obtenida es sometida a un proceso de limpieza, transformación y normalización con el objetivo de garantizar la calidad, homogeneidad y confiabilidad de los datos. Posteriormente, se aplican algoritmos de clustering como K-Means y DBSCAN, con el propósito de segmentar los lotes de café en grupos con características de cocción similares, lo cual permite entender los patrones de tostado más frecuentes y eficientes. A partir de estos segmentos homogéneos, se desarrollan modelos predictivos que estiman la calidad sensorial del café (fragancia, sabor, acidez y cuerpo), clasificando el producto en categorías como bueno, regular o deficiente. La calidad del modelo se evalúa mediante métricas como el silhouette score para validar la coherencia de los clusters, y el R² o MAE en el caso de modelos de regresión. Los resultados demuestran que la combinación de análisis estadístico con algoritmos de machine learning permite optimizar el proceso de tostión, mejorar la estandarización del producto final y tomar decisiones informadas en tiempo real, lo cual aporta significativamente al control de calidad en el sector cafetero.
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero(a) Industrial	spa
dc.format.extent	35 p.
dc.format.mimetype	application/pdf	spa
dc.identifier.uri	https://repositorio.uniremington.edu.co/handle/123456789/7564
dc.language.iso	spa	spa
dc.publisher	Corporación Universitaria Remington	spa
dc.publisher.faculty	Facultad de Ingenierías	spa
dc.publisher.place	Tauramena (Casanare, Colombia)	spa
dc.publisher.program	Ingeniería Industrial	spa
dc.rights	Derechos Reservados - Corporación Universitaria Remington, 2025	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.license	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)	spa
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	spa
dc.subject	Café tostado	spa
dc.subject	Calidad sensorial	spa
dc.subject	Machine learning	spa
dc.subject	Regresión	spa
dc.subject	Clustering	spa
dc.subject	K-Means	spa
dc.subject	DBSCAN	spa
dc.subject	Tostión	spa
dc.subject	Procesamiento de café	spa
dc.subject	Predicción de calidad	spa
dc.subject.lemb	Café
dc.subject.lemb	Aprendizaje automático (Inteligencia artificial)
dc.subject.lemb	Industria del café
dc.title	Estrategia computacional para predecir la calidad del café tostado a partir de variables del proceso utilizando algoritmos de machine learning	spa
dc.type	Trabajo de grado - Pregrado	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f	spa
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85	spa
dc.type.content	Text	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	http://purl.org/redcol/resource_type/TP	spa
dc.type.version	info:eu-repo/semantics/publishedVersion	spa
dspace.entity.type	Publication	spa