Ingeniería de Tecnologías de Información y Sistemas
URI permanente para esta colecciónhttps://hdl.handle.net/20.500.12640/3737
Examinar
4 resultados
Resultados de la búsqueda
Ítem Acceso Abierto Desarrollo de un modelo predictivo basado en técnicas de Machine Learning para la priorización de vulnerabilidades y la optimización en la etapa de mitigación de riesgos operativos de ciberseguridad(Universidad ESAN, 2024) Camasca Huaman, Jhonatan Cristobal; Gave Cardenas, Kevin Paredes; Paredes Castro, Patricia JackelineEl presente estudio tiene como objetivo desarrollar un modelo predictivo utilizando técnicas de Machine Learning para priorizar eficazmente las vulnerabilidades en el proceso de remediación, dada la creciente cantidad de ciberataques y la limitada capacidad de recursos en las empresas. Actualmente, las organizaciones enfrentan dificultades para asignar adecuadamente sus recursos de manera eficiente, debido al volumen de vulnerabilidades detectadas que sobrepasan su capacidad de respuesta. Se construyó un conjunto de datos a partir de los escaneos de vulnerabilidades proporcionados por la empresa ABC S.A.C., complementado con reportes descriptivos y puntuaciones de explotabilidad. Luego, se aplicaron los algoritmos K-Means y BIRCH, métodos de aprendizaje no supervisado, para generar una variable objetivo que defina los niveles de priorización de vulnerabilidades. Con esta variable, se implementaron modelos de Machine Learning, como XGBoost, Random Forest y LightGBM, evaluados mediante métricas como Precisión, Recall, F1-Score y Accuracy. Los resultados muestran que Random Forest, en combinación con BIRCH, alcanzó una precisión del 98%, mejorando significativamente la optimización del proceso de Gestión de Vulnerabilidades y fortaleciendo la ciberseguridad en entornos empresariales digitalizados. Esta metodología proporciona un enfoque eficiente para la mitigación de riesgos, permitiendo una respuesta más rápida ante amenazas cibernéticas.Ítem Restringido Modelo de Machine Learning para la segmentación automática de clientes según su perfil de compra del canal de venta interna en Molitalia(Universidad ESAN, 2021) Bernuy Murriel, Astrid Carolina; Manza Briceño, Mirella Maribel; Garay Macukachi, Jessica Diyanira; Guillen Aguilar, Yomira Alizon; Juarez Polar, Jefry RomuloDebido al COVID-19, la empresa Molitalia redujo sus ventas en los canales internos y externos, esto se debe a que los consumidores han reducido su poder de compra en las categorías de alimentos; por lo cual, Molitalia se ve obligada a mapear soluciones y estrategias que se adapten al nuevo entorno. Siendo uno de los hallazgos la poca capacidad de respuesta a las exigencias y preferencias de los clientes internos. Por ello, este proyecto se centró en el desarrollo de un modelo de segmentación automática de perfiles de compra de los clientes internos, con ello se podrá implementar estrategias que se adapten a las necesidades de los clientes, responder rápidamente a los cambios en la demanda, contar con información a tiempo real del perfil de compra del cliente, agilizar y fortalecer los procesos de venta para beneficio de la organización.Para ello, se desarrollaron diez modelos de Machine Learning usando la técnica de aprendizaje no supervisado “K-Means”. Además, se analizaron y evaluaron los modelos mediante dos validaciones: teórica, mediante el indicador “inercia”; y práctica, por medio del experto de estrategia comercial. Concluyendo que el mejor modelo es el K=4, logrando descubrir cuatro perfiles de clientes internos: Beginners, Middle, Expert, Senior.Ítem Acceso Abierto Técnicas de Machine Learning para la clasificación automática de clientes en una empresa de seguros(Universidad ESAN, 2021) Asencio Diaz, Luz de los Angeles Manuela; Chiang Cornejo, Ricardo Hernan; Crisóstomo Fernández, Fernanda Lucía; Hernández Quiroz, Gisela Vanesa; Lajo Aurazo, Almendra SofiaMachine Learning y los modelos matemáticos en los que se basa para poder identificar patrones y dar una estimación basada en data histórica son usados cada vez más en diferentes industrias para procesar información que antes se consideraba masiva y por ende difícil de relacionar de manera certera por métodos tradicionales. Con la inclusión de las técnicas de como regresión logística y K-NN, hoy en día es posible formular y proponer un modelo de predicción de aprendizaje supervisado que se ajuste a los requerimientos de clasificación de una empresa. Esta investigación propone la aplicación de las mencionadas técnicas para la elaboración de modelos predictivos de clasificación de tipos de asegurados para una determinada empresa en la industria aseguradora de vehículos automóviles; usando como base de datos los registros históricos recopilados del año 2019.Ítem Acceso Abierto Propuesta de un modelo de machine learning para el pronóstico de la demanda de prendas de vestir en la Corporación Brusko S.A.C.(Universidad ESAN, 2021) Ccoyccosi Choque, Ronald Alberto; Huanay Palomino, Luis Ernesto; Huayllasco Chafloque, Ethel Diana; Loayza Díaz, Vanessa; Mayorga Lopez, Katiuska FiorelaEn el Perú existen muchas empresas a cargo de la compra y venta de bienes (retails), para ellas la determinación de la demanda es crucial ya que esta impacta significativamente en los costos e ingresos que pueden llegar a tener. La presente investigación plantea pronosticar la demanda de los pantalones de caballero de la Corporación Brusko bajo la metodología CRISP-DM y empleando la técnica de regresión lineal. Se trabajó con datos brindados por la empresa (2018 – 2021), con ello se realizó el modelo de pronóstico y se obtuvieron los siguientes RMSE: 23.78 para el año 2018, 13.22 para el año 2019, 47.12 para el año 2020 y 17.87 para el año 2021. Además, se realizó el mismo análisis para la totalidad de años teniendo como resultado un RMSE de 59.07. Los datos presentaron outliers debido a la pandemia; eliminando estos datos atípicos se volvió a correr el modelo para la totalidad de los años obteniendo un RMSE de 29.98, el cual fue mejor comparado al modelo con la totalidad de datos sin outliers. Realizando el análisis de los resultados nos quedamos con el modelo para el año 2019, un año que no presenta outliers y con un adecuado RMSE.
