Examinando por Autor "Zapata Ramírez, Sebastián"
Mostrando 1 - 4 de 4
Resultados por página
Opciones de ordenación
Publicación Acceso abierto Modelo de extracción de datos para la comparación de productos de E-Commerce(Universidad EIA, 2023) Zapata Cárdenas, Camilo; Zapata Ramírez, SebastiánRESUMEN: Un modelo de extracción de datos para la comparación de productos de E-commerce le permite a un usuario final optimizar su ejercicio mercantil mediante búsquedas rápidas y personalizadas de lo que quiera obtener, ahorrando así dinero y tiempo, recursos que puede emplear en otras actividades. El objetivo general de este proyecto es desarrollar un modelo que, por medio del uso de Inteligencia Artificial y Web Scraping, permita realizar la extracción automática de información de productos en venta en diferentes E-Commerce, con el fin de que el usuario pueda visualizar diversas ofertas de los sitios al mismo tiempo. Para cumplir con esto se implementa una metodología basada en un flujo de 4 pasos, inicialmente se tiene el análisis, en el cual se hace una investigación del estado actual de diversos sitios web y/o herramientas que buscan algo similar con el fin de estudiarlos y aprender de ellos, al finalizar esto, se procede a diseñar el modelo a seguir para hacer efectiva la extracción y posterior comparación de los datos, de manera que el modelo vaya aprendiendo de las interacciones del usuario para obtener así, cada vez mejores resultados, una vez obtenido el diseño del modelo se procede al desarrollo del mismo, en este, se hace uso de la inteligencia artificial y web scraping como medios para concretar la estructura y usabilidad del modelo. Finalmente se hará una evaluación del modelo que permitirá una retroalimentación del mismo en búsqueda de mejoras y su constante evolución.Publicación Acceso abierto Modelo de fuga de estudiantes en la Universidad EIA(Universidad EIA, 2023) Ochoa Mejía, Miguel; Zapata Ramírez, SebastiánRESUMEN: El presente trabajo busca contribuir a la retención de estudiantes en la Universidad EIA. Esto es particularmente importante considerando que, en la actualidad, con la era de tecnología se hay vuelto una práctica generalizada que las otras universidades, por medio de sus estrategias de marketing, logren enganchar estudiantes que inicialmente estuviesen en otras universidades. Dado lo anterior, en el presente trabajo se muestra la importancia de diseñar e implementar un software analítico que, por medio de la aplicación de técnicas estadísticas y con algoritmos de inteligencia artificial, se conviertan datos en información que permita favorecer la retención de los estudiantes en la Universidad EIA. Por tanto, en el presente trabajo, inicialmente, se definirán cuáles son los datos relevantes que deben recopilarse de los estudiantes. Posteriormente, se analizarán dichos datos. Luego, se segmentarán los estudiantes en grupos basados en sus datos relevantes como lo son su edad o sus calificaciones. Ulteriormente se definirán las estrategias de mercadeo adecuadas para dicha sección de estudiantes. Finalmente, se hará una compilación de una secuencia de estrategias de mercadeo de modo que, la finalidad especifica de retener a los estudiantes, se pueda llevar a cabo de manera adecuada en el largo plazo.Publicación Acceso abierto Modelo de pronóstico para generación de energía renovable(Universidad EIA, 2024) García Ruiz, Alejandro; Zapata Ramírez, SebastiánRESUMEN: Con el aumento de las fuentes de energía no convencionales, como la solar y la eólica, surge la necesidad de abordar los desafíos que presentan su variabilidad e intermitencia. Estos factores influyen en la planificación y el despacho de energía en el mercado, lo que crea la necesidad de predecir la generación de energía verde de manera confiable. Este proyecto se centra en el desarrollo de un modelo de predicción que permita pronosticar la generación de energías renovables, brindando a usuarios y reguladores del mercado una herramienta para la planificación y el despacho de la electricidad. El estudio se centra exclusivamente en ciertas plantas colombianas, para las cuales se disponen de datos históricos. La metodología empleada sigue el enfoque CRISP-DM, que incluye el entendimiento del negocio, el entendimiento de los datos, la preparación de estos, el modelado y la evaluación del modelo. En la etapa de modelado, se empleó el modelo estadístico SARIMAX que busca capturar el comportamiento de los datos cómo series temporales, analizando variables endógenas y exógenas. A través de esta metodología, el trabajo busca establecer una predicción valiosa basada en los datos disponibles. Los resultados obtenidos en este estudio muestran que, aunque la precisión del pronóstico se ve limitada por la cantidad de variables que influyen en la generación de energía renovable, el modelo logra capturar patrones generales de comportamiento. Esto proporciona una base sólida para el desarrollo de herramientas de predicción en energía renovable, lo cual puede tener un impacto significativo en la sostenibilidad y eficiencia energética del país.Publicación Acceso abierto Prototipo de sistema para la detección temprana de errores en la medicación en un ambiente hospitalario(Universidad EIA, 2024) Hoyos Velásquez, Andrés David; Zapata Ramírez, Sebastián; Camacho Cogollo, Javier EnriqueRESUMEN: Este trabajo presenta el desarrollo de un prototipo de sistema de soporte para la detección temprana de errores en la medicación en entornos hospitalarios. El sistema utiliza modelos computacionales y datos de los pacientes para identificar potenciales errores en la prescripción y administración de medicamentos. La arquitectura modular del sistema incluye módulos para la gestión de reportes, notificación de errores, y una interfaz web accesible para usuarios autorizados. Mediante herramientas de machine learning y tecnologías modernas como ASP.NET Core, MongoDB y RabbitMQ, se logra una solución escalable que mejora la seguridad del paciente y optimiza el flujo de trabajo hospitalario. Los resultados muestran que el prototipo no solo reduce el tiempo de revisión, sino que también permite el reentrenamiento continue de los modelos, adaptándose a nuevas necesidades clínicas.