Facultad de Ingeniería
URI permanente para esta comunidadhttps://hdl.handle.net/20.500.12640/3729
Examinar
4 resultados
Resultados de la búsqueda
Ítem Embargo Predicción del tipo de parto en el departamento de ginecología-obstetricia del Hospital Santa Rosa mediante Machine Learning(Universidad ESAN, 2023) Perez Garcia, Adams Smith; Seminario Vergaray, Raul FranciscoEn el presente trabajo, se uso Machine Learning en el ámbito de aprendizaje supervizado. para predecir los tipos de partos de las gestante atendidas en el Hospital Santa Rosa, buscando optimizar los recursos de la institución tanto material como humano. Para la creación del Modelo se recopiló toda la información existente en el hospital santa rosa y el ministerio de salud (Minsa) mediante un cruce de información, luego de la limpieza de datos, se utilizo el 80% para el aprendizaje y uN 20% para la para corroborar la predicción. El modelo predominante para nuestro trabajo fue el Árbol de decisión, donde se identifico la variable y ( tipos de partos existentes) y las variables x ( diagnosticas por lo que existe complicaciones durante el parto). con lo cual el modelo se pudo recrear.Ítem Embargo Propuesta de segmentación de clientes aplicando técnicas de Machine Learning para mejorar la estrategia de ventas de productos de bebidas en el departamento de Ica(Universidad ESAN, 2023) Alikhan Trujillo, Kledy Fiorella; Aspiazu Neyra, Luis Eduardo; Auccapiña Guillen, Juan Abner; Ayna Benegas, Irene; Cardenas Pijo, Melisa ConsueloLa investigación se centra en el mercado de bebidas en el departamento de Ica, con el objetivo de automatizar la segmentación de clientes y, por consiguiente, mejorar las estrategias comerciales de ventas. Al implementar las fases de la metodología, las primeras etapas se dedicarán al procesamiento y tratamiento riguroso de los datos, preparando así el terreno para la construcción del modelo en la fase subsiguiente. Se emplearán técnicas de aprendizaje no supervisado de Machine Learning, como K-Means, K-Medoids, Agrupación Jerárquica, DBSCAN y HDBSCAN, con parámetros óptimos. En las últimas fases, se realizarán las agrupaciones de perfiles de tipo clúster basándose en un análisis detenido de la información recopilada y las variables pertinentes. El resultado será un reporte consolidado que proporcionará una visión detallada por cada perfil de cliente. Con esta información clave el gestor comercial de ventas podrá tomar decisiones comerciales estratégicas sobre ventas. De forma complementaria, se realizará una validación con un experto del rubro para verificar el tipo de clúster adecuado como candidato óptimo de la automatización de la segmentación de clientes.Ítem Embargo Desarrollo de un modelo de Machine Learning para la clasificación de clientes siniestrosos de seguro vehicular en la compañía aseguradora MAPFRE Perú(Universidad ESAN, 2023) Mariluz Saavedra, Julio Alejandro; Torres Ricalde, Luz Edith; Velazco Guerrero, MelissaLas últimas innovaciones tecnológicas, como Big Data o Maching Learning, están transformando la forma en cómo se desempeñan las compañías en casi todos los sectores, incluyendo el rubro asegurador. Este estudio se centra en la incorporación de técnicas de Machine Learning en MAPFRE Perú para desarrollar un modelo predictivo que permita identificar a los clientes con mayor probabilidad de sufrir un siniestro vehicular. El objetivo es optimizar el control de los gastos asociados a estos incidentes en la empresa. Para determinar el modelo más optimo se utilizaron cinco diferentes algoritmos de aprendizaje supervisado: Logistic regression, Linear Support Vector Machine, k-Nearest Neighbors, Classification and Regression Tree y Random Forest. Finalmente, para comparar los resultados de cada modelo se utilizaron las métricas del "accuracy" y el "F1-score". El modelo seleccionado fue Random Forest, con el cual se obtuvo un buen rendimiento con el conjunto de datos preprocesado “dfL4”, teniendo un “accuracy” del 82.97% y un “F1-score” del 75.67%. El potencial que implica la aplicación de Machine Learning en la industria aseguradora es considerable, por lo que es esencial continuar avanzando en investigaciones que incorporen nuevas variables, técnicas y modelos para seguir aprovechando sus beneficios.Ítem Embargo Implementación de un modelo de Machine Learning para la predicción de la demanda de muebles de sala en la empresa Mallhogar.com(Universidad ESAN, 2023) Chipana De La Cruz, David Ismael; Chugnas Sebastian, Analy Sandy; Chupillón Bautista, Yarelis Nicole; Guzmán Ramos, Pedro Jesús; Huancaya Rivas, Hasdaly AnjelyLa empresa Mallhogar.com se dedica a la venta online de muebles. Actualmente, busca predecir la demanda de muebles de sala que ofrece en el mercado peruano. En este contexto, el objetivo de esta investigación fue desarrollar un modelo de predicción de la demanda que permita optimizar su producción, gestionar sus inventarios y agilizar la distribución de productos terminados. Para lograrlo se recopiló información de datos históricos de venta del periodo 2020-2023, se aplicó modelos de Machine Learning, en cinco tipos de muebles de sala. Los modelos de predicción que se emplearon fueron Regresión Lineal, CatBoost, XGBoost y LightGBM. Los resultados fueron evaluados comparando métricas como el Factor de determinación, Error Cuadrático Medio y Raíz del Error Cuadrático Medio, se analizó cómo el modelo se ajusta a los datos de entrenamiento con sus posibles limitaciones. Los experimentos realizados mostraron que los modelos LightGBM y XGBoost tuvieron mejores resultados con una ligera superioridad en comparación a los otros modelos, lo cual se vio reflejado en todos los modelos de muebles analizados, al final se obtuvo la predicción de muebles a vender para los meses de diciembre del 2023, enero del 2024 y febrero del 2024.
