Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capítulo I...................................................................................................................................3
1.1 Antecedentes..........................................................................................................................4
1.2 Planteamiento del problema..................................................................................................6
1.3 Pregunta de investigación.......................................................................................................8
1.4 Objetivos................................................................................................................................9
1.4.1 Objetivo general.....................................................................................................................................9
1.4.2 Objetivos específicos..............................................................................................................................9
1.5 Delimitación..........................................................................................................................12
1.5.1 Temporal..............................................................................................................................................12
1.5.2 Espacial.................................................................................................................................................12
1.6 Justificación..........................................................................................................................12
Capitulo II...............................................................................................................................13
2. Marco Referencial...................................................................................................................14
2.1 Marco situacional....................................................................................................................................14
3.5.3 Muestreo...........................................................................................................................24
3.6 Técnicas e instrumentos de investigación...............................................................................................24
Los sistemas informáticos juegan un papel clave en la cotidianidad de las personas en las
cuales se manejan cantidades de efectivo, razón por la cual la rapidez y simplicidad de los
sistemas de información permiten que las tareas se realicen de forma más eficiente, y por lo
tanto reduce costos o aumenta el ahorro ya sea económico o ahorro en tiempo, que son
ámbitos fundaméntalas para el éxito o el fracaso de un emprendimiento, para así dedicarse a
otras actividades en beneficio propio. Años atrás, las personas tenían maneras limitadas de
obtener información, sin embargo, la necesidad de hacerse con una vivienda obligó a la
obtención de presupuestos para el cual un sistema inteligente evita el constante ir y venir a
recalar información a los proveedores ahorrando dinero y tiempo. La industria de la
construcción cumple un importante rol en el desarrollo de un país en lo cultural ya que, a
través de la construcción se satisface las necesidades de infraestructura de la mayoría de las
actividades sociales de una nación. Pese a ello, la industria de la construcción es,
probablemente, una de las industrias que presenta un menor grado de desarrollo, frente a
otras, tales como la informática o las telecomunicaciones. Es importante que las personas
interesadas en el presupuesto de la construcción de sus casas cuenten con herramientas
automatizadas que les generen excelentes resultados, es por tal motivo que se debe recurrir a
aplicaciones que estén abocadas a dichas necesidades y genere resultados efectivos, entonces
con el uso de la inteligencia artificial con la disciplina machine learning y la modelación de
algoritmos enfocado en un sistema inteligente, tomaran decisiones acertadas en la
construcción de su vivienda.
Capitulo II
2. Marco Referencial
2.1 Marco situacional
El escenario donde se realizará esta investigación es las zonas periurbanas 1 de la ciudad de La
Paz esta tiene 779.728 de habitantes, las zonas de la ciudad dela Paz son, casco viejo ,centro,
Sopocachi, obrajes, ,zona sur, consta de nueve macrodistritos, (siete urbanos y dos rurales)
Ciudad del El Alto que según proyecciones de parte del INE (Instituto Nacional de
Estadística), el municipio del Alto tiene aproximadamente 1.089.100,tiene 14 distritos, y
parte de los Yungas, el cual está dividido en nor yungas con los municipios de Coroico,
Coripata, sud yungas con los municipios de Chulumani, Irupana, Yanacachi, Palos Blancos y
la Asunta, con una población aproximada de 435.214 habitantes, son lugares identificados
con mayor expansión y crecimiento de la construcción.
2.2 Marco Teórico – Conceptual
2.2.1 Sistemas inteligentes
Definición
a. Es un sistema. Es parte del universo, con una extensión limitada en espacio y tiempo.
b. Aprende durante su existencia (en otras palabras, siente su entorno y aprende, para cada
situación que se presenta, cuál sea la acción que le permite alcanzar sus objetivos).
c. Consume energía y la utiliza para sus procesos interiores y para actuar.
Implicaciones a los sistemas inteligentes (SI)
a. Que el sistema debe existir.
b. Que debe existir un entorno con el cual el sistema pueda interactuar.
c. Que debe ser capaz de recibir comunicaciones del entorno, para poder elaborar la situación
actual. Esto es un sumario abstracto de las comunicaciones recibidas por los sentidos. Entendemos por
comunicaciones un intercambio de materia o de energía. Si esta comunicación se realiza con el
propósito de transmitir información, entonces es una variación del flujo de energía o una estructura
específica de materia que el sistema percibe.
d. Que el SI debe tener un objetivo, debe ser capaz de controlar si la última acción realizada
fue favorable, si sirvió para acercarse más a su objetivo o no.
e. Para alcanzar su objetivo, debe seleccionar su respuesta. Una manera fácil para decidirse
por una respuesta, es la de elegir una que haya sido favorable en una situación similar anterior.
f. Que debe ser capaz de aprender. Ya que la misma respuesta es a veces favorable y a veces
falla, debe recordar en qué situación la respuesta resultó favorable y en cuál no lo fue. Es por esto que
almacena situaciones, respuestas y resultados.
g. Finalmente, debe ser capaz de actuar, para alcanzar la respuesta seleccionada.
1
Las zonas periurbanas o territorios periurbanos constituyen espacios en los que se manifiesta con especial intensidad esa aproximación, tal
y como corresponde a la naturaleza socioeconómica, híbrida entre lo urbano y lo rural, que caracteriza a las crecientemente preponderantes
formas de ciudad difusa que en tales territorios se materializan.
Detalles del sistema inteligente
Los procesos principales que ocurren dentro de los sistemas inteligentes son los siguientes: El Sistema
Inteligente tiene un objetivo temporal, que ha derivado de su objetivo principal. Siente su entorno, a
pesar de que debemos ser conscientes de que sólo posee unos pocos sentidos, y que éstos solamente
pueden captar, por ejemplo, la luz y el sonido, características y comportamiento asimilables al de la
inteligencia humana, pero no pueden captar o conocer el objeto mismo. El sistema luego almacena
estas impresiones sensoriales, características y comportamientos asimilables como conceptos
elementales. Los conceptos son una forma material de almacenar información. Trabajando con
conceptos, el sistema crea nuevos conceptos y almacena la relación que tienen éstos con otros
conceptos totales, parciales, abstractos y concretos. Se apreciará que hay una diferencia entre un
objeto o un hecho del entorno, el concepto que el sistema utiliza para su procesamiento interno y la
palabra que utiliza para transmitir el concepto. Los sistemas más inteligentes, deberían controlar, la
información entrante antes de continuar con los demás procesos internos. Después el sistema define la
situación actual aplicando toda la información recibida, expresada como conceptos. Ahora busca en su
memoria y encuentra reglas de actuación que pueden ser aplicables. Elige una de las mejores y realiza
la acción correspondiente. Las reglas de actuación son un campo de almacenamiento que incluye la
situación actual, a la que la regla es aplicable, y la acción correspondiente. El sistema inteligente
almacena continuamente la situación actual y la acción hecha como regla de actuación. Las primeras
reglas de actuación son la consecuencia de acciones casuales y de la enseñanza. Cuando el sistema
está inactivo en su parte externa, es decir, cuando duerme, revisa las reglas de actuación que están
almacenadas en su memoria realiza algunas generalizaciones. Hace abstracciones de conceptos y crea
las correspondientes reglas de actuación, usando estas abstracciones. Otras comparaciones se realizan
entre la situación y la acción de una serie de reglas de actuación recientemente aprendidas, como
también las comparaciones entre situaciones de diferentes reglas de actuación que se presentan y las
acciones de las mismas. Con todas estas actividades y partiendo de reglas de actuación muy concretas,
el sistema crea reglas de actuación que son aplicables a varias situaciones diferentes pero similares.
Después de un tiempo, la memoria está llena y el sistema olvida los conceptos y las reglas de
actuación menos usados.
Las limitaciones que se conocen es que las personas no invierten en estos sistemas por considerarlos
complicados en cuanto a su manejo y desarrollo, debido a que piensan que se requiere un nivel
elevado de conocimientos en computación y electrónica, asunto que no es correcto y también porque
consideran que soluciones como estas son muy costosas. Cuando este tipo de aplicaciones se difunda
más, educando sobre su fácil uso e implementación podrá optarse por estas soluciones en nuestra
sociedad.
2.2.2Machine Learning
Conocido también en español como aprendizaje automático, es una rama científica de la
inteligencia artificial que permite que las computadoras adquieran conocimiento y mejoren de
forma progresiva la realización de tareas y el análisis de datos para los que han sido
destinados sin recibir una programación explicita. Tomando los datos y su comportamiento
estos modelos de aprendizaje también podemos crear modelos predictivos de sucesos con un
nivel de eficiencia considerablemente alto.
El ‘machine learning’ –aprendizaje automático– es una rama de la inteligencia
artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello.
Una habilidad indispensable para hacer sistemas capaces de identificar patrones entre los
datos para hacer predicciones.
“En definitiva, el ‘machine learning’ es un maestro del reconocimiento de patrones, y
es capaz de convertir una muestra de datos en un programa informático capaz de
extraer inferencias de nuevos conjuntos de datos para los que no ha sido entrenado
previamente”, explica José Luis Espinoza, científico de datos de BBVA México.
(Institución Financiera de Banca múltiple).
El desarrollo de aprendizaje automático se centra en tres categorías principales que se
conocen como aprendizaje supervisado, aprendizaje no supervisado, aprendizaje profundo.
Aprendizaje Supervisado
El aprendizaje del tipo supervisado se refiere a un modelo específico de Machine Learning en
el cual el proceso de generación de conocimiento se realiza con un grupo de ejemplos o datos
etiquetados en los que los resultados que arroja la operación son conocidos previamente. Este
tipo de modelo aprende de estos resultados e incorpora ajustes en los parámetros interiores
para poder adaptarse a datos nuevos que ingresan al sistema.
Gracias al aprendizaje desarrollado por estos modelos supervisados se alimenta un conjunto
de resultados que permite realizar predicciones adecuadas del comportamiento de datos
nuevos que aún no han sido procesados. Este tipo de aprendizaje es el que se incorpora en
aplicaciones tecnológicas como filtros detectores de spam en correos electrónicos, detectores
de imágenes en captchas2 o en aplicaciones de reconocimiento de voz o escritura.
2
Captchas, es el acrónimo de "Completely Automated Public Turing test to tell Computers and Humans Apart". Traducido al castellano,
"Prueba de Turing pública y automática para diferenciar máquinas y humanos".
Un captcha es una prueba de tipo desafío-respuesta que se utiliza para determinar cuándo el usuario de un sistema informático es o no
humano.
Gráfico 1. Etapas en un proyecto de Machine Learning
3
Reducción de dimensionalidad se define como una forma de convertir un conjunto de datos de dimensiones elevadas en un conjunto de
datos de dimensiones menores, asegurando que la información que proporciona en similar en ambos casos.
Aprendizaje Reforzado
Otro modelo de Machine Learning es el que conocemos como aprendizaje reforzado. Es un
modelo diferente a los tipos que explicamos anteriormente. Este tipo de aprendizaje forma
parte de lo que conocemos como “Deep Learning4” o aprendizaje profundo.
El Aprendizaje reforzado tiene como finalidad construir modelos que aumenten el
rendimiento tomando como base el resultado o la recompensa que se genera por cada
interacción realizada. Esta recompensa es el producto de una acción correcta o conjunto de
datos devueltos que entran en una medida especifica.
El modelo mediante un agente utiliza la recompensa como parámetro de ajuste en su
comportamiento para acciones futuras, de forma tal de que la acción nueva cumpla
igualmente con el objetivo o acción correcta y así obtener una recompensa máxima.
El aprendizaje reforzado es públicamente reconocido por ser el aplicado en el
programa Alpha Zero de la desarrolladora tecnológica Deep Mind. Su programación permitió
que este agente de Machine Learning conociera la totalidad de combinaciones y jugadas
posibles en un tablero de ajedrez y vencer a después de solo 4 horas de aprendizaje al motor
de ajedrez computarizado Stockfish.
Gráfico 2 Tipos de aprendizaje
4
El deep learning es un tipo de machine learning que entrena a una computadora para que realice tareas como las hacemos los seres
humanos, como el reconocimiento del habla, la identificación de imágenes o hacer predicciones.
Algoritmos de Machine Learning
Para ejecutar los tipos o modelos de Machine Learning supervisados, no supervisados o de
aprendizaje reforzado necesitamos implementar algunos algoritmos.
A continuación, descubrirás los principales algoritmos implementados.
Algoritmos de regresión
Cuando se requieren realizar tareas de regresión, el programa de machine learning debe
realizar estimaciones y comprender a profundidad las relaciones existentes entre las variables
que debe estudiar.
En este caso el análisis de regresión debe enfocarse en una variable dependiente y una serie
de variables diferentes de tipo independientes. Al ejecutarse el algoritmo puede realizar
pronósticos o predicciones de una forma muy eficiente.
Algoritmos Bayesianos
Aplicando el teorema de Bayes, estos algoritmos clasifican los valores como independientes
de cualquier otro dato en el conjunto en estudio permitiendo predecir una clase o categoría en
función de un conjunto predeterminado de características utilizando un índice probabilístico.
Este tipo de algoritmo es uno de los más implementados ya que a pesar de su simplicidad
permite realizar clasificaciones de datos de alta complejidad.
Algoritmos de agrupación
Principalmente son utilizados en el aprendizaje automático de tipo no supervisado ya que
permite organizar y categorizar datos no etiquetados. Este algoritmo ejecuta búsquedas de
grupos dentro de los datos representados por una variable. Funciona de manera iterativa para
asignar cada punto de datos a uno los grupos representados en la variable tomando como base
las características que se establecieron como predeterminadas.
Algoritmos de árbol de decisión
Un árbol de decisión es una herramienta estructural muy útil para elegir opciones en base a
criterios gerenciales preestablecidos. Similar a un diagrama de flujo, utiliza un método de
bifurcación para representar los resultados posibles al ejecutar una decisión. Dentro del árbol
se generan nodos que representan variables específicas y en las ramas se puede observar el
resultado de las pruebas ejecutadas.
Algoritmos de redes neuronales
Una red neuronal artificial comprende un conjunto de unidades que se encuentran en una
serie de capas que a su vez están conectadas a capas anexas, asemejando el tipo de
conexiones que se generan en sistema biológicos como las neuronas del cerebro. Estás redes
son conjuntos interconectados de datos que trabajan en conjunto para darle solución a
problemas específicos.
Algoritmos de aprendizaje profundo
Los algoritmos de Deep Learning son aquellos que ejecutan datos a través de capas
compuestas por varias capas de algoritmos de redes neuronales en las que pasan una
representación simplificada de los datos obtenidos a la capa siguiente. Estos algoritmos
funcionan de forma fluida con conjuntos de datos estructurados.
Lenguajes de Programación
Python
Programar un módulo de aprendizaje automatizado requiere obligatoriamente la utilización
de un lenguaje de programación que reúna condiciones propicias para analizar datos.
Actualmente el lenguaje de programación Python es uno de los más utilizados en el mundo
informático gracias a sus características positivas, es por eso que no debe extrañarnos que la
gran mayoría de los modelos de machine learning estén construidos en entornos Python.
La necesidad social de acceso a una vivienda está respaldada por la Constitución Política del
Estado en el Capítulo I de Derechos Fundamentales del articulo 19 parágrafo I, establece que
“Toda persona tiene derecho a un hábitat y vivienda adecuada, que dignifique la vida familiar
y comunitaria”. Por otra pare el Decreto Supremo N.º 0986 Capítulo I Disposiciones
Generales del Articulo I, parágrafo I establece que “Crear la Agencia Estatal de Vivienda,
como entidad encargada de la dotación de soluciones habitacionales y hábitat a la población
del Estado Plurinacional de Bolivia”. Son estos los documentos legales que respaldan a un
derecho fundamental de acceso a una vivienda a la población boliviana.
Capitulo III
3.1 Hipótesis
“El sistema inteligente usando modelos basados en machine learning, permite la elaboración
de un presupuesto de construcción de una vivienda, y mejora el conocimiento de los costos y
tipos de materiales de construcción a usarse”.
3.2 Identificación de Variables
Variable Independiente: Sistema inteligente.
Variable Dependiente: Elaboración de un presupuesto de construcción de una
vivienda.
3.3 Conceptualización de variables
3.3.1 Variable Independiente: Sistema inteligente
2
Z ∗p∗q∗N
Datos n= 2 2
N∗E + Z ∗p∗q
n =?
Z = 1.96 Calculo
2
1.96 ∗0.5∗0.5∗486
P = 50% - 0.5 n=
486∗0.052 +1.962∗0.5∗0.5
3.8416∗0.25∗486
Q = 1 – 0.5 0.5 n=
486∗0.0025+3.8416∗0.25
466.7544
N = 486 n=
1.215+ 0.9604
466.7544
E = 0.05 n=
2.1754
n=214.56
3.5.3 Muestreo
En este trabajo de investigación se utilizará para trabajar con el resultado de la muestra, el
muestreo probabilístico, de manera específica el muestreo aleatorio al azar, ya que es muy
importante el aspecto de que cada uno de los miembros de una población tiene iguales
posibilidades de pertenecer a la muestra.
3.6 Técnicas e instrumentos de investigación
Se utilizo las técnicas directas para el planteamiento del problema, porque mediante estas se
desarrollará una comunicación o relación cara a cara entre el investigador con los sujetos
investigados. Se va a realizar las entrevistas a los propietarios del bien inmueble para poder
saber qué grado de información tiene sobre construcción, y así tener un parámetro de la
situación.
Indicé de gráficos y tablas
https://www.upc.edu.pe/
ANEXOS
ANEXO 1