INVESTIGACIÓN ACADÉMICA

2018- 2
Sesión 16

Formato de Presentación para la Asesoría 3

Adrián Yamel Cusi Pari

Estudiante
Xavier Alejandro Vilca Apaza
Objetivo Presentación de las fichas textuales de su trabajo de investigación.

Tema El Machine Learning aplicado en empresas del siglo XXI en el Perú.

¿De qué otra manera influye el Machine Learning en las empresas del
Problema
Perú?

1. Elabore las Fichas Bibliográficas consideradas en su Trabajo de investigación.

1.1. Ficha bibliografía de la Fuente 1

Autor Fabián Pallares Cabrera
Año
Título Desarrollo de un modelo basado en Machine Learning para la
predicción de la demanda de habitaciones y ocupación en el
sector hotelero.
Grado académico MAESTRÍA EN INGENIERÍA
Ciudad CARTAGENA
Institución UNIVERSIDAD TECNOLÓGICA DE BOLÍVAR

1.2. Ficha bibliografía de la Fuente 2

Autor  David E. Goldberg, John H. Holland

Año 1988
Título Genetic Algorithms and Machine Learning

Ciudad The Netherlands

Editorial GUEST EDITORIAL

1
 1.3. Ficha bibliografía de la Fuente 3
Autor Peluffo I, Capobianco M, Echaiz J.
Año 2014
Título Machine Learning aplicado en Sistemas de Detección de
Intrusos
Páginas 1158
Nombre de la WICC 2014 XVI Workshop de Investigadores en Ciencias de la
revista Computación
Volumen 3

1.4. Ficha bibliografía de la Fuente 4

Autor Smola A, Vishwanathan S
Año 2008
Título Introduction to Machine Learning
Ciudad Reino Unido
Editorial United Kingdom at the University Press

2. Elabore las Fichas Textuales que se utilizarán en su Trabajo de investigación.

2.1. Elabore una ficha textual que contenga la definición de su tema.

Definición y bases del Machine Learning

En las últimas dos décadas, Machine Learning se ha convertido en uno de los pilares
de la tecnología de la información y con eso, un lugar bastante central, aunque
generalmente escondido, parte de nuestra vida Con la cada vez mayor cantidad de
datos que se vuelven disponible hay buenas razones para creer que el análisis
inteligente de datos se convertirá incluso más penetrante como ingrediente necesario
para el progreso tecnológico.
(Smola A, Vishwanathan S, 2008, pág. 3)

2
2.2. Elabore una ficha textual en base a su fuente: Tesis.

Machine Learning aplicado en una hotelería.

“En esta investigación se entrenaron y validaron diferentes modelos para
predecir la ocupación diaria de un hotel, y el mejor modelo encontrado se
evaluó sobre los datos de pruebas, todo esto con el propósito de facilitar a los
administradores hoteleros la toma de decisiones enfocada a la optimización de
los recursos e incrementos en los beneficios del hotel, aplicables en la
estrategia de Revenue Management”.
(Fabián Pallares Cabrera, 2014, pág. 9)

2.3. Elabora una ficha textual en base a su fuente: Libro.

El Machine Learning en su ambito.

“Los algoritmos genéticos son procedimientos de búsqueda probabilísticos diseñados
para trabajar en espacios grandes que involucran estados que pueden representarse
mediante cadenas. Estos métodos son intrínsecamente paralelos, utilizando un
conjunto distribuido de muestras del espacio (una población de cadenas) para generar
un nuevo conjunto de muestras. También exhiben un paralelismo implícito más sutil.
Aproximadamente, en el procesamiento de una población.”
(David E. Goldberg, John H. Holland, 1988, pág. 96)

2.4. Elabore una ficha textual en base a su fuente: Revista.

Machine Learning como herramienta de detección de intrusos

“Es cada vez más común la vulneración de sistemas de modo que queden
inutilizables, el robo de información sensible o los ataques a redes de
computadoras o bases de datos. Para solucionar este inconveniente surgió la
idea de usar técnicas de minería de datos para analizar la información
recolectada por el sistema. De esta forma se pueden desarrollar herramientas
automáticas que mejoren la seguridad de los sistemas y/o herramientas que
asistan al administrador en la toma de decisiones.”
 (Peluffo I, Capobianco M, Echaiz J, 2014, pàg. 812)

3
2.5. Elabore una ficha textual en base a su fuente: Artículo.

Uso del Machine Learning para identificar causas de abandono de estudios

universitarios
El abandono de los estudios universitarios en el nivel de pregrado, es un
fenómeno global en el Sistema Universitario Argentino, que conlleva la
necesidad de desarrollar políticas de retención de estudiantes. Estas políticas
requieren la identificación de las posibles causas de deserción. En este articulo
se presenta el uso de algoritmos TDIDT para descubrir reglas que caractericen
el abandono a partir de la información disponible en el Sistema SIU-Guarani. El
abordaje empleado ha permitido identificar las variables con mayor incidencia
en la deserción.
Palabras claves: Deserción, identificación de Causas de Deserción, Algoritmos
TDIDT.
(Kuna H, García R, Villatoro F, 2009, pág 172)
2.6. Elabore una ficha textual en base a su fuente: Tesis.
2.7.
Machine Learning para el soporte de Aplicaciones en Eficiencia Promocional y Salud
En esta Tesis se han abordado tres áreas específicas de creciente interés económico y
social: (a) el modelado de las interacciones entre productos de consumo diario y su
eficiencia promocional; (b) el apoyo a la toma de decisiones para la predicción temprana
de complicaciones tras la cirugía de cáncer de colon; (c) la estratificación de riesgo de
muerte súbita cardíaca a partir de índices predictores obtenidos de las señales eléctricas
del corazón, utilizando un modelo de conocimiento clínico y una terminología
estandarizada.
El análisis de datos de cada una de estas aplicaciones presenta como denominador
común la utilización de técnicas de aprendizaje máquina, de acuerdo con el objetivo
general. Sin embargo, la naturaleza tan diversa de dichas aplicaciones hace que cada una
represente por sí misma un objetivo específico de la presente Tesis. El primer objetivo
específico consiste en profundizar en la evaluación y análisis de las ventas promocionales,
tradicionalmente basado en técnicas de estadística clásica.
(Soguero Ruíz Cristian, 2015, pág 106

4
2.8. Elabore una ficha textual en base a su fuente: Tesis.

Mejora de la autogestión de los sistemas de centros de datos aplicando el aprendizaje

automático
Aquí proponemos mejorar las técnicas de Computación Autonómica para la gestión de
recursos mediante la aplicación de métodos de modelado y predicción de Machine
Learning and Artificial Intelligence. Los métodos de aprendizaje automático pueden
encontrar modelos precisos de los comportamientos del sistema y, a menudo,
explicaciones inteligibles para ellos, también pueden predecir e inferir estados y
valores del sistema. Estos modelos obtenidos de aprendizaje automático tienen la
ventaja de actualizarse fácilmente a cambios en la carga de trabajo o la configuración
al volver a tomar ejemplos y volver a entrenar los predictores. Por lo tanto, empleando
modelos automáticos y habilidades predictivas, podemos encontrar nuevos métodos
para tomar decisiones "inteligentes" y descubrir nueva información y conocimiento de
los sistemas.
Josep Lluís Berral García, 2013, pag 45

2.9. Elabore una ficha textual en base a su fuente: Tesis.

Nuevos métodos de aprendizaje automático basados en la teoría de la información
El aprendizaje automático es el área de la inteligencia artificial y la ciencia de la
computación que estudia los algoritmos que aprenden de datos, realizan predicciones
y producen comportamientos basados en ejemplos. Esta tesis desarrolla nuevos
métodos de aprendizaje automático basado en teoría de la información (TI) y en
información teórica de aprendizaje (ITL): (1) En primer lugar, se utiliza TI para
selección de características. Específicamente, se crea dos nuevos algoritmos. El
primero tiene en cuenta el costo (computacional, económico, etc.) de cada
característica -además de la relevancia-. El segundo uso del concepto de conjunto,
muy común en escenarios de clasificación, pero muy poco explorado en la literatura
de selección de características. (2) En segundo lugar. se puede emplear conceptos de
TI y de ITL como una función de error alternativo, lo que permite la exploración de otro
campo de la literatura no muy estudiado: la aproximación de modelado local.
Específicamente, se desarrolla un nuevo algoritmo para clasificación. Este algoritmo
está basado en la combinación de redes de neuronas por medio de modelado local y
técnicas basadas en ITL.
Lago Porto Díaz, 2015, pag 38