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

Alcantara Bernal, Francisco Fernando; Mckitting Cornejo, Gerardo Gabriel; Siancas Gutierrez, Susan Aracelly; Zaldívar Valdez, Ana Sofía

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

dc.contributor.advisor	Fabian Arteaga, Junior Jhon
dc.contributor.author	Alcantara Bernal, Francisco Fernando
dc.contributor.author	Mckitting Cornejo, Gerardo Gabriel
dc.contributor.author	Siancas Gutierrez, Susan Aracelly
dc.contributor.author	Zaldívar Valdez, Ana Sofía
dc.coverage.spatial	Perú
dc.date.accessioned	2023-05-08T20:23:57Z
dc.date.available	2023-05-08T20:23:57Z
dc.date.embargoEnd	2024-09-01
dc.date.issued	2023
dc.description.abstract	El 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.format	application/pdf	es_ES
dc.identifier.uri	https://hdl.handle.net/20.500.12640/3382
dc.language.iso	spa	es_ES
dc.publisher	Universidad ESAN	es_ES
dc.publisher.country	PE	es_ES
dc.rights	info:eu-repo/semantics/embargoedAccess	es_ES
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 Perú	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/pe/	*
dc.subject	Aprendizaje automático	es_ES
dc.subject	Rendimiento de la cosecha	es_ES
dc.subject	Aumento de la producción	es_ES
dc.subject	Caña de azúcar	es_ES
dc.subject	Agroindustria	es_ES
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#2.11.04	es_ES
dc.subject.ocde	https://purl.org/pe-repo/ocde/ford#5.02.04	es_ES
dc.title	Técnicas de Machine Learning para incrementar el rendimiento de los campos de caña de azúcar en una empresa agroindustrial	es_ES
dc.type	info:eu-repo/semantics/bachelorThesis	es_ES
dc.type.other	Trabajo de suficiencia profesional	es_ES
renati.advisor.dni	44749148
renati.advisor.orcid	https://orcid.org/0000-0001-9804-7795	es_ES
renati.author.dni	71373628
renati.author.dni	70000298
renati.author.dni	47600521
renati.author.dni	70361959
renati.discipline	722056	es_ES
renati.juror	Chávez Rojas, Mónica Patricia
renati.juror	Ballon Alvarez, Eber Joseph
renati.level	https://purl.org/pe-repo/renati/level#tituloProfesional	es_ES
renati.type	https://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional	es_ES
thesis.degree.discipline	Ingeniería Industrial y Comercial	es_ES
thesis.degree.grantor	Universidad ESAN. Facultad de Ingeniería	es_ES
thesis.degree.name	Ingeniero Industrial y Comercial	es_ES