Examinando por Materia "Modelo Computacional"
Mostrando 1 - 4 de 4
Resultados por página
Opciones de ordenación
Publicación Acceso abierto Elaboración de matriz de riesgos climáticos de transición empleando técnicas de lógica difusa(Universidad EIA, 2023-11-22) Pablo Isaza Gómez; Juan Fernando Pérez Pérez; Isis Bonet Cruz; Universidad EIA; Isis Bonet Cruz; Juan Fernando Pérez Pérez; Juan Sebastián Valencia; Christián Lochmuller; Johan Vélez; Doris Prada; GECIUno de los retos más grandes que tiene la humanidad en este siglo XXI es sin duda el cambio climático. El cambio climático está creciendo de manera insostenible, a velocidades cada vez mayores y más difíciles de contener. Las herramientas y conocimientos a través de las cuales se han basado naciones, instituciones y empresas para combatir esta problemática parecen ya no ser suficientes, y cada día que pasa se van quedando más obsoletas frente a un panorama que cambia vertiginosamente. Los avances en la inteligencia artificial también han llegado a esta rama. En este trabajo se desarrolla una herramienta, mediante el uso de lógica difusa, para elaborar una matriz de riesgos climáticos de transición. Para ello, se identifican las variables más relevantes de cambio climático de transición. Posteriormente se elabora la matriz de riesgos, partiendo del conocimiento recolectado tanto en la literatura como en la opinión de expertos temáticos. Luego, se definen los parámetros, funciones de pertenencia, y reglas del modelo de defuzificación. Por último, se prueba el modelo con datos recolectados y/o elaborados. Se valida también a través de la opinión de expertos temáticos, para posteriormente reconfigurar las variables que sea necesario reevaluar. El resultado es un modelo computacional capaz de clasificar de manera acertada los diferentes riesgos climáticos de transición que sirva como base para su gestión, de manera eficiente.Publicación Acceso abierto Modelo computacional para la identificación de firmas de expresión génica asociadas con la respuesta a inhibidores de puntos de control en cáncer(Universidad EIA, 2024) Castillo Uparela, Daniel Eduardo; Castaño Portilla, CarolinaRESUMEN: El cáncer es una enfermedad caracterizada por la pérdida de control en la proliferación celular debido a la rápida expansión y transformación de células normales en células cancerosas, lo que constituye un desafío científico crucial para el desarrollo de tratamientos menos invasivos y más efectivos. Según la Agencia Internacional para la Investigación del Cáncer, en el año 2020 la enfermedad fue responsable de casi 10 millones de defunciones a nivel mundial, representando aproximadamente una de cada seis muertes registradas. Ante el desalentador escenario del cáncer, las terapias dirigidas ofrecen una alternativa con menos efectos secundarios en comparación con tratamientos tradicionales como la quimioterapia, posicionando a la inmunoterapia como una de las opciones más prometedoras en los últimos años. A diferencia de los métodos invasivos tradicionales que atacan indiscriminadamente las células tumorales, la inmunoterapia estimula el sistema inmunitario para que sea este el encargado de destruir el tumor, demostrando ser una estrategia innovadora y menos agresiva. Esta metodología terapéutica no solo implica menos efectos secundarios, sino que también representa una oportunidad significativa para combatir la proliferación de la enfermedad a lo largo del organismo. Este trabajo propone un modelo computacional basado en inteligencia artificial y técnicas bioinformáticas para identificar firmas de expresión génica asociadas con la respuesta a la inmunoterapia basada en inhibidores de puntos de control inmunitario anti PD1/PD-L1 en cáncer. Se utilizó un enfoque metodológico robusto, que incluyó la corrección del efecto batch inducido por las máquinas de secuenciación utilizando la librería Inmoose, así como la normalización de los datos de expresión génica mediante TPM. Adicionalmente, se aplicaron técnicas de reducción dimensional como el Análisis de Componentes Principales (PCA) para la visualización bidimensional y tridimensional de los datos. El balanceo de clases se realizó empleando técnicas como SMOTE, NearMiss y SMOTETomek integradas en Scikit-learn, mejorando significativamente el rendimiento del modelo. La optimización de hiperparámetros se llevó a cabo con la biblioteca Optuna, y la identificación de firmas genéticas se realizó utilizando Mlxtend. Estos métodos permitieron la creación de un repositorio digital de datos de expresión génica de pacientes con tumores sólidos y la implementación de un modelo computacional fundamentado en algoritmos de Machine Learning para predecir la respuesta a la inmunoterapia. Los resultados obtenidos demuestran que la firma de 14 genes seleccionada es capaz de clasificar con precisión la respuesta al tratamiento en pacientes con cáncer, mostrando un notable desempeño y potencial para futuras investigaciones. Este modelo tiene el potencial de convertirse en una herramienta valiosa para guiar investigaciones adicionales y apoyar decisiones médicas en el contexto de la inmunoterapia como terapia dirigida.Publicación Acceso abierto Modelo computacional para optimización de portafolio con estrategia de inversión pasiva basada en ETFS(Universidad EIA, 2020) Ruz Barcha, Juan Camilo; Jaramillo Palacio, Verónica; Pérez Ramírez, Fredy OcarisRESUMEN: El presente trabajo, busca desarrollar un modelo computacional que permita administrar portafolios de inversión conformados por ETFs, estos son vehículos financieros que cotizan en bolsa y se caracterizan porque buscan reproducir un determinado índice bursátil, lo que permite aumentar la diversificación disminuyendo el riesgo. Se realizó una comparación entre los resultados de varias carteras con diferentes estrategias y perfiles de riesgo por medio de la teoría de portafolios de Harry Markowitz, y de la simulación Monte Carlo, ambos métodos combinados con el modelo de Sharpe, escogiendo uno de estos como el más eficiente para desarrollar el algoritmo y haciendo uso de la misma para la administración de los portafolios durante un período de cuatro meses, lo que permitió analizar los resultados obtenidos por medio de Backtesting, al generar portafolios que superen a su referente (Benchmark). A su vez, fueron comparados los resultados de portafolios obtenidos únicamente por medio del modelo, y otros generados con el mismo algoritmo, pero con una gestión basada en noticias y movimientos del mercado. Teniendo en cuenta que el estudio se realizó durante el año 2020, en medio de la crisis del COVID-19, el trabajo presenta un estudio de la volatilidad de los retornos por medio de un modelo de la familia GARCH, en el cual se analizan los resultados y se dan recomendaciones.Publicación Acceso abierto Modelo de riesgos para el otorgamiento de microcréditos a personas no bancarizadas(Universidad EIA, 2020) Posada Saldarriaga, Andrés; Suárez Zapata, Sergio; Patiño Pérez, AlejandroRESUMEN: La falta de información con la que cuentan las entidades bancarias sobre el comportamiento crediticio de los clientes que solicitan un préstamo ha llevado a una mala colocación de los recursos por parte de estas organizaciones y al aumento de factores de riesgo para la sociedad como lo es el préstamo informal (gota a gota) y el aumento del hurto en las calles; por otro lado la dificultad de obtener información cuantitativa ha llevado a que las aproximaciones a una calificación de la calidad del cliente se analice en términos de información netamente cualitativa la cual hace difícil la creación de modelos que puedan ser aplicados en el día a día. En este proyecto se propone el desarrollo de un prototipo de modelo de riesgos para el crédito de personas no bancarizadas por medio de técnicas y conceptos de la inteligencia computacional, con la cual se determinarán las calificaciones para los prestatarios, de acuerdo con diferentes factores. Para la determinación de las variables más significativas, y las cuales se utilizarán en el modelo computacional, se realizaron entrevistas y encuestas a diferentes expertos en el área de riesgos financieros. Luego se procedió al desarrollo del modelo el cual permite no solo calcular la calificación crediticia de los prestataritos, sino también las condiciones de pago para cada uno de estos. Se espera que, con este modelo las entidades financieras puedan comenzar a darles la oportunidad a personas de escasos recursos, el acceso al sistema financiero.
