Técnicas de Machine Learning para incrementar el rendimiento de los campos de caña de azúcar en una empresa agroindustrial

dc.contributor.advisorFabian Arteaga, Junior John
dc.contributor.authorAlcantara Bernal, Francisco Fernando
dc.contributor.authorMckitting Cornejo, Gerardo Gabriel
dc.contributor.authorSiancas Gutierrez, Susan Aracelly
dc.contributor.authorZaldívar Valdez, Ana Sofía
dc.coverage.spatialPerú
dc.date.accessioned2023-05-08T20:23:57Z
dc.date.available2023-05-08T20:23:57Z
dc.date.embargoEnd2024-09-01
dc.date.issued2023
dc.description.abstractEl rápido crecimiento demográfico genera una presión importante sobre la agricultura mundial debido al aumento de la demanda y la reducción de espacios aptos para el cultivo. Esto obliga a que las empresas agroindustriales tengan que obtener mejores rendimientos de cada campo para mantener o aumentar sus niveles de producción. La presente investigación busca complementar los estudios sobre la relación de las variables que afectan el rendimiento de los campos de cultivo de caña de azúcar. El objetivo de este estudio es predecir el porcentaje de sacarosa a obtenerse de un campo de caña de azúcar; para ello, se usaron dos técnicas de aprendizaje supervisado: regresión lineal y regresión vectorial de soporte (SVR), ejecutándose cada una tanto con data normalizada como sin normalizar. Finalmente, se compararon los resultados de cada modelo usando el coeficiente de determinación y raíz del error cuadrático medio. El modelo seleccionado fue el de SVR con kernel RBF y data normalizada, teniendo una precisión del 38.3% y un RMSE de 0.7962 puntos de sacarosa. El potencial que supone el uso de Machine Learning en el sector agroindustrial es muy grande y por ello se deben de seguir desarrollando investigaciones con nuevas variables, técnicas y modelos.es_ES
dc.formatapplication/pdf
dc.identifier.urihttps://hdl.handle.net/20.500.12640/3382
dc.languageEspañol
dc.language.isospa
dc.publisherUniversidad ESANes_ES
dc.publisherUniversidad ESAN
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0*
dc.subjectAprendizaje automáticoes_ES
dc.subjectRendimiento de la cosechaes_ES
dc.subjectAumento de la producciónes_ES
dc.subjectCaña de azúcares_ES
dc.subjectAgroindustriaes_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.11.04
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#5.02.04
dc.titleTécnicas de Machine Learning para incrementar el rendimiento de los campos de caña de azúcar en una empresa agroindustriales_ES
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.type.otherTrabajo de suficiencia profesional
local.acceso.esanAcceso abierto
renati.advisor.dni44749148
renati.advisor.orcidhttps://orcid.org/0000-0001-9804-7795
renati.author.dni71373628
renati.author.dni70000298
renati.author.dni47600521
renati.author.dni70361959
renati.discipline722056
renati.jurorChávez Rojas, Mónica Patricia
renati.jurorBallon Alvarez, Eber Joseph
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesional
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional
thesis.degree.disciplineIngeniería Industrial y Comercial
thesis.degree.grantorUniversidad ESAN. Facultad de Ingeniería
thesis.degree.nameIngeniero Industrial y Comercial

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
2023_IIC_23-1_01_TC.pdf
Tamaño:
2.9 MB
Formato:
Adobe Portable Document Format
Descripción:
Texto completo
No hay miniatura disponible
Nombre:
2023_IIC_23-1_01_F.pdf
Tamaño:
251.25 KB
Formato:
Adobe Portable Document Format
Descripción:
Autorización (acceso restringido)
No hay miniatura disponible
Nombre:
2023_IIC_23-1_01_TU.pdf
Tamaño:
14.17 MB
Formato:
Adobe Portable Document Format
Descripción:
Informe Turnitin (acceso restringido)

Bloque de licencias

Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción: