Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)Vélez Uribe, Juan PabloEnríquez Quintero, Niyileth KarinaBautista Villamizar, Laura Valentina2024-01-192024-01-192023https://repositorio.uniremington.edu.co/handle/123456789/2040En 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.60 p.application/pdfspaDerechos Reservados - Corporación Universitaria Remington, 2024Machine LearningInteligencia artificialAprendizaje supervisadoAprendizaje no supervisadoPythonRstudioInnovación tecnológicaBig DataPirámide de valor de los datosVariable objetivoRegresiónClasificaciónAcademia de enseñanza automovilísticaVehículo de enseñanzaTrabajo de grado - Pregradoinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Aprendizaje automático (Inteligencia artificial)Aprendizaje supervisado (Aprendizaje automático)Inteligencia artificial