Ingeniería de Tecnologías de Información y Sistemas
URI permanente para esta colecciónhttps://hdl.handle.net/20.500.12640/4166
Examinar
2 resultados
Resultados de la búsqueda
Ítem Acceso Abierto Propuesta de modelo predictivo para la detección de fraude en mensajes de texto mediante el uso de Redes Neuronales Recurrentes(Universidad ESAN, 2024) Salinas Bolaños, Yair AndreyEl smishing, o fraude por mensajes de texto, se ha vuelto un problema creciente en el país, debido a la falta de mecanismos adecuados para detectar mensajes fraudulentos, lo que ha generado que muchos ciudadanos sean víctimas de estafa al recibir estos tipos de mensajes. El estudio tuvo como objetivo encontrar el mejor clasificador de fraude en mensajes de texto en el contexto peruano, para lo cual se recolectaron 527 imágenes de las que se obtuvieron 1740 mensajes, etiquetados manualmente como FRAUDE o LEGITIMO, basándose en recomendaciones de entidades públicas/privadas, y validadas por una experta en fraude del rubro de telecomunicaciones; posteriormente, se integraron con bases en otros idiomas, logrando un total de 4475 registros. Los mensajes fueron vectorizados con Word2Vec y FastText. Finalmente, se entrenaron algoritmos de Redes Neuronales Recurrentes (RNN, LSTM, GRU) y combinaciones con CNN para identificar el mejor modelo. Los resultados evaluados con Accuracy, Precision, Recall, F1-score y AUC evidenciaron que el mejor clasificador fue una RNN de 3 capas (200, 160, 1) usando el embedding FastText-NewL de 300 dimensiones, alcanzando 85.62% en Accuracy, 84.49% en Precision, 88.77% en Recall, 86.57% en F1-score y 93.14% en AUC.Ítem Acceso Abierto Predicción del estado de financiamiento de proyectos de tecnología en sitio web de crowdfunding Kickstarter mediante modelo de Aprendizaje Profundo Multimodal(Universidad ESAN, 2021) Puente Ríos, Alonso AugustoDesde la aparición del crowdfunding, muchos emprendedores han presentado sus proyectos al público para conseguir su financiamiento. Durante el período 2009-2019, el 37% de proyectos de Kickstarter, una de las plataformas de financiamiento colectivo más populares, alcanzó ser financiado exitosamente. Se han estado utilizando distintas metodologías de Inteligencia Artificial, considerando todas las categorías en esta plataforma para crear modelos predictivos. Sin embargo, este ratio solo alcanza el 20% para Tecnología. El objetivo de esta investigación fue predecir el estado de financiamiento de proyectos de tecnología en Kickstarter mediante un modelo de Aprendizaje Profundo Multimodal. Siguiendo la metodología CRISP-DM, se implementó un modelo ensamblado de otros modelos de Aprendizaje Profundo para 3 modalidades: un Perceptrón Multicapa para la Metainformación, una Red Neuronal Convolucional para la descripción y un modelo LSTM Bidireccional para los comentarios de los patrocinadores. Se utilizó información de más de 27 mil proyectos de tecnología en Kickstarter entre 2009 y 2019. El modelo propuesto superó a los modelos de la base de línea en cada métrica, alcanzando un valor de 93% de AUC, su mejor desempeño. Se logró resolver el problema bajo una nueva perspectiva, además de aportar mayor conocimiento y un prototipo para apoyar a los emprendedores.
