Técnicas de Machine Learning para determinar la producción de cultivos y personal requerido en las campañas de cosecha de la empresa Fundos Rejas SAC
dc.contributor.advisor | Fabian Arteaga, Junior John | |
dc.contributor.author | Briceño Rodríguez, Rafael Isaac | |
dc.contributor.author | Celedonio Rojas, Marco Antonio | |
dc.contributor.author | Crisóstomo Fernández, Walter Javier | |
dc.contributor.author | Medrano Pelaez, Jose Luis | |
dc.contributor.author | Salas Castillo, Patricia Elizabeth | |
dc.coverage.spatial | Perú | |
dc.date.accessioned | 2022-11-11T15:17:21Z | |
dc.date.available | 2022-11-11T15:17:21Z | |
dc.date.issued | 2022 | |
dc.description.abstract | Diferentes empresas están utilizando técnicas de Machine Learning para analizar sus conjuntos de datos con la finalidad de encontrar comportamientos y patrones que les permitan crear modelos matemáticos predictivos, que a su vez pueden predecir diferentes variables de salida para determinar la producción y la cantidad de personal requerido para los cultivos de palta, arándano y mandarina. En el presente estudio, se utilizó una base de datos que comprende los años de campañas de cosecha (2019 a 2022). Para ello, la metodología CRISP-DM para obtener un mejor alineamiento en la etapa de desarrollo. Se utilizaron técnicas de aprendizaje supervisado entre ellas Regresión lineal Múltiple, Árbol de Regresión y Vectores de Soporte de Regresión, para medir el modelo que tiene mejor desempeño se utilizaron las métricas como el R2 y RMSE. Dentro de los resultados obtenidos, se obtuvo que, para determinar la producción del cultivo de palta, la mejor técnica fue la de Regresión Lineal Múltiple y para los cultivos de arándano y mandarina fue el Árbol de Regresión, por otro lado, para determinar la cantidad de trabajadores para el cultivo de palta el mejor modelo fue Árbol de Regresión y para los cultivos de mandarina y arándano fue el SVR. | es_ES |
dc.format | application/pdf | |
dc.identifier.uri | https://hdl.handle.net/20.500.12640/3237 | |
dc.language | Español | |
dc.language.iso | spa | |
dc.publisher | Universidad ESAN | es_ES |
dc.publisher | Universidad ESAN | |
dc.publisher.country | PE | |
dc.rights | info:eu-repo/semantics/openAccess | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0 | * |
dc.subject | Aprendizaje automático | es_ES |
dc.subject | Análisis regresivo | es_ES |
dc.subject | Tecnología de la información | es_ES |
dc.subject | Agroindustria | es_ES |
dc.subject | Planificación de la empresa | es_ES |
dc.subject | Producción agropecuaria | es_ES |
dc.subject | Trabajadores agrícolas | es_ES |
dc.subject | Cultivos alimenticios | es_ES |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.04 | |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.11.04 | |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#5.02.04 | |
dc.title | Técnicas de Machine Learning para determinar la producción de cultivos y personal requerido en las campañas de cosecha de la empresa Fundos Rejas SAC | es_ES |
dc.type | info:eu-repo/semantics/bachelorThesis | |
dc.type.other | Trabajo de suficiencia profesional | |
local.acceso.esan | Acceso abierto | |
renati.advisor.dni | 44749148 | |
renati.advisor.orcid | https://orcid.org/0000-0001-9804-7795 | |
renati.author.dni | 74698574 | |
renati.author.dni | 47848506 | |
renati.author.dni | 73253884 | |
renati.author.dni | 44792076 | |
renati.author.dni | 70915575 | |
renati.discipline | 722056 | |
renati.discipline | 613066 | |
renati.juror | Lizarzaburu Bolaños, Edmundo Raul Antonio | |
renati.juror | Gonzales Lopez, Rolando Alberto | |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | |
renati.type | https://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional | |
thesis.degree.discipline | Ingeniería Industrial y Comercial | |
thesis.degree.discipline | Ingeniería de Tecnologías de Información y Sistemas | |
thesis.degree.grantor | Universidad ESAN. Facultad de Ingeniería | |
thesis.degree.name | Ingeniero Industrial y Comercial | |
thesis.degree.name | Ingeniero de Tecnologías de Información y Sistemas |
Archivos
Bloque original
1 - 1 de 1
- Nombre:
- 2022_IIC_22-2_05_TC.pdf
- Tamaño:
- 3.81 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
- Texto completo
Bloque de licencias
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: