Trabajos de suficiencia profesional
URI permanente para esta comunidadhttps://hdl.handle.net/20.500.12640/3726
Examinar
2 resultados
Resultados de la búsqueda
Ítem Acceso Abierto Informe sobre el Expediente N°669-2019-CC2(Universidad ESAN, 2024) Moreno Ramirez, Alexa PaolaEl presente trabajo de investigación tiene por objeto realizar una crítica al análisis efectuado por la Comisión de Protección al Consumidor en la resolución final de primera instancia respecto de una compraventa de bien inmueble futuro que no se concretó debido a la falta de entendimiento del contenido del contrato por parte del consumidor, lo cual generó que el denunciante desista de la compraventa. Los principales problemas analizados corresponden a la determinación del monto de dinero a devolver, producto de una penalidad, como presunta infracción al deber de idoneidad, la prescripción de infracciones vinculadas al deber de información y una condición excesivamente onerosa como presunta práctica abusiva. Es así como, en el presente informe, se verifica si la autoridad observó correctamente la Ley de Procedimiento Administrativo General (Ley N° 27444) y el Código de Protección al Consumidor (Ley N° 29571) en los fundamentos de su resolución dada la insuficiencia encontrada en dicho acto administrativo lo cual impide, al lector, conocer la manera correcta en que la Comisión debió resolver el caso controvertido. Es así como el presente informe está orientado a mostrar el análisis correcto que debió realizar la Comisión.Ítem Acceso Abierto Aplicación de técnicas de Machine Learning para identificar factores de predicción del estado de las cotizaciones en el sector de maquinaria ligera(Universidad ESAN, 2022) Aliaga Urbina, Leslie Alexandra; Calle Burga, Frank Junior; Pacori Choquejahua, Carla Isabel; Palma Bendezú, Noelia Yackelina; Salinas Cevallos, Hector JhonEn el presente estudio haremos uso de Machine learning, usando 4 técnicas en la categoría de aprendizaje supervisado, para la predicción del estado de las cotizaciones, buscando agilizar la toma de decisiones con respecto al tiempo y costos de importación, y evitar la pérdida de ventas. Para la construcción del modelo predictivo se inició con la recopilación y limpieza de datos. Posteriormente, se utilizó el 80 % de datos recopilados para el entrenamiento de los modelos y 20% para la evaluación de las predicciones. Con la técnica k-NN se obtuvo un accuracy del 67.9% con un parámetro de k = 5; con la técnica Regresión logística, se obtuvo un 70.69% de accuracy; con la técnica SVM se obtuvo un 63.79% de accuracy y con la técnica Árbol de decisión se obtuvo un accuracy de 87.93%. Se aplicó codificación y normalización como mejora a la base de datos y con ello, la técnica de Árbol de decisión obtuvo el valor más alto de accuracy - 88.79%. Se recomienda el empleo de técnicas adicionales de Aprendizaje Supervisado a fin de seleccionar la que mejor resultado obtenga en la predicción.
