Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SEDE DE GUANACASTE
Informática Empresarial
Autores:
Liberia – Guanacaste
07 de junio, 2023
I Ciclo
1
1. Resumen
desarrollo tecnológico que busca crear sistemas y máquinas capaces de realizar tareas que
artificial que permite a los sistemas aprender a partir de los datos en lugar de depender de la
Se mencionan los métodos de pronóstico, que son técnicas utilizadas para predecir
learning.
2
2. Índice
1. Resumen.............................................................................................................................................. 2
2. Índice................................................................................................................................................... 3
3. Introducción........................................................................................................................................4
Marco Teórico.........................................................................................................................................4
4. Inteligencia artificial.......................................................................................................................... 4
4.1. ¿Qué es?......................................................................................................................................4
4.2. Aplicaciones de IA..................................................................................................................... 5
4.2.1. Mejoras del servicio al cliente.......................................................................................... 5
4.2.2. Mejoras de rutas................................................................................................................ 5
4.2.3. Agrícolas........................................................................................................................... 5
5. Machine Learning.............................................................................................................................. 5
5.1. ¿Qué es?......................................................................................................................................5
5.2. Enfoques hacia el machine learning........................................................................................... 6
6. Métodos de pronóstico....................................................................................................................... 7
6.1. ¿Qué son los métodos de pronóstico?.........................................................................................7
6.2. ¿Para qué sirven los métodos de pronóstico?............................................................................. 7
6.3. Métodos de pronósticos importantes.......................................................................................... 8
6.3.1. Suavización exponencial...................................................................................................8
6.3.1.1. ¿Qué es la suavización exponencial ?..................................................................... 8
6.3.2. Winter................................................................................................................................9
6.3.2.1. ¿Qué es el método de Winter?................................................................................. 9
6.3.3.1. ¿Qué es el método de Holt?.....................................................................................9
7. Desarrollo herramienta Machine Learning...................................................................................10
7.1. Lectura de Datos.......................................................................................................................10
7.2. Visualizar datos.........................................................................................................................10
7.3. Gráfico de datos de Temperatura media................................................................................... 11
7.4. Visualizar datos.........................................................................................................................12
7.5. Gráfico de datos de Temperatura media................................................................................... 12
7.6. Gráfica de temperatura media mensual de los 12 años............................................................ 13
7.7. Importación de paquetes...........................................................................................................13
7.8. Preparación para Machine Learning.........................................................................................14
7.9. Suavizamiento Exponencial Simple......................................................................................... 15
7.10. Error medio absoluto y error medio cuadrado de suavizamiento exponencial.......................16
7.11. Método Holt............................................................................................................................16
7.12. Error medio absoluto y medio cuadrado de Holt....................................................................17
7.13. Método Winter........................................................................................................................17
7.14. Error medio absoluto y medio cuadrado de Winter................................................................18
7.15. Método elegido para Machine Learning.................................................................................19
7.16. Machine Learning...................................................................................................................19
7.29. Test y predicción.....................................................................................................................21
8.7. Error medio absoluto y cuadrado de Machine Learning.......................................................... 23
9. Conclusiones..................................................................................................................................... 24
10. Bibliografía..................................................................................................................................... 25
3
3. Introducción
La Inteligencia Artificial (IA) ha transformado radicalmente la sociedad y
revolucionado la forma en que interactuamos con la tecnología. La IA ha abierto un mundo
de posibilidades en diversos campos, desde la medicina hasta la industria automotriz. Una
rama esencial de la IA es el Machine Learning (Aprendizaje Automático), que permite a las
máquinas aprender de los datos sin una programación explícita y utilizar esa información
para tomar decisiones y realizar tareas complejas.
4
Marco Teórico
4. Inteligencia artificial
4.1. ¿Qué es?
4.2. Aplicaciones de IA
Actualmente, se visita muchas páginas web, ya sea para comprar algún producto en
algún ecommerce, leer en algún blog y así, pero algo que se puede notar son los chatbots que
ayudan a las empresas en lo que respecta a optimización del servicio al cliente y dándoles un
plus a estas empresas que han optado en hacer uso de IA para dar un mejor servicio.
5
4.2.3. Agrícolas
Para los agricultores es de suma importancia, les ha venido a solucionar todos esos
problemas de pérdida de dinero que puede ocurrir por mal tiempo donde haya una mala
cosecha, y es aquí donde entra en juego la IA, ya que mejoran rendimientos agrícolas,
advirtiendo en impactos ambientales y dándoles mejores fechas de cosechas y terrenos
fértiles donde tendrán mejores productos.
5. Machine Learning
5.1. ¿Qué es?
En resumen, hay diferentes técnicas para machine learning, cada una dependiendo del
problema que la empresa se necesite enfrentar, machine learning puede aprender en diferentes
enfoques y cantidad de datos
El aprendizaje supervisado se inicia con un conjunto de datos establecido y una
comprensión de su clasificación. Se busca encontrar patrones en los datos para aplicar en
análisis. Los datos tienen características etiquetadas que definen su significado. Por ejemplo,
se puede desarrollar una aplicación de machine learning que distinga entre millones de
animales basándose en imágenes y descripciones escritas.
El aprendizaje no supervisado se utiliza cuando se cuenta con una gran cantidad de datos
sin etiquetar. Las redes sociales como Twitter, Instagram y Snapchat tienen una enorme
6
cantidad de datos sin etiquetas. Para comprender el significado detrás de estos datos, se
emplean algoritmos que clasifican los patrones o clusters encontrados. El aprendizaje no
supervisado realiza un análisis iterativo de los datos sin intervención humana. Se utiliza en la
detección de spam en correos electrónicos, donde hay demasiadas variables para que un
analista etiquete un gran volumen de correos no deseados. En cambio, se aplican
clasificadores de machine learning basados en clustering y asociación para identificarlos.
6. Métodos de pronóstico
6.1. ¿Qué son los métodos de pronóstico?
Los métodos de pronóstico son técnicas utilizadas para predecir eventos futuros o
estimar valores desconocidos. Se basan en el análisis de datos históricos para identificar
patrones y tendencias que puedan ser extrapolados hacia el futuro. Estos métodos pueden ser
cualitativos, basados en opiniones expertas, encuestas o juicio subjetivo, o cuantitativos, que
utilizan técnicas matemáticas y estadísticas para analizar los datos. Los métodos de
pronóstico son ampliamente utilizados en diferentes campos y permiten a las organizaciones
y personas tomar decisiones informadas y planificar estratégicamente. Por lo tanto Gomez. J,
(s.f) nos afirma que
7
Los modelos de pronósticos son modelos estadísticos para pronosticar el futuro, estos
sirven para detectar situaciones futuras y hacer proyecciones con base en la
información analizada. Los modelos de pronósticos se pueden usar con diferentes
propósitos, en diferentes ciencias y con distintas técnicas. El trabajo de los consultores
estadísticos es ayudar a implementar los modelos adecuados al tipo de información
disponible. (parr. 1)
8
6.3. Métodos de pronósticos importantes
6.3.1. Suavización exponencial
6.3.1.1. ¿Qué es la suavización exponencial ?
6.3.2. Winter
6.3.2.1. ¿Qué es el método de Winter?
9
ajustando para adaptarse a los cambios en los datos y para proporcionar una mejor
predicción.
El método de Winter es especialmente útil para series de tiempo que presentan
patrones de tendencia y estacionalidad. Su capacidad para adaptarse a cambios en los datos y
su flexibilidad para modelar diferentes componentes hacen que sea ampliamente utilizado en
pronósticos de ventas, demanda de productos, inventarios y otros fenómenos que exhiben
variaciones estacionales.
6.3.3. Holt
6.3.3.1. ¿Qué es el método de Holt?
Inicialmente, se deben obtener los datos con los que trabajaremos posteriormente,
para realizar el análisis respectivo por lo que se utilizaran los siguientes métodos los cuales se
encargará de cargar los datos.
10
7.2. Visualizar datos
Una vez cargados los datos que fueron obtenidos de NOAA sobre el clima de Saugus
California, USA se pueden visualizar en la siguiente tabla, la fecha y la temperatura promedio
11
7.4. Visualizar datos
12
7.5. Gráfico de datos de Temperatura media.
Ahora bien, una vez visto por partes el comportamiento que tiene la temperatura
media mensual, se mostrará en la siguiente imagen la gráfica de los años del 2010 y parte del
2023, como se puede observar tiene por lo general un comportamiento similar, a excepción
de los años 2016, 2017 y 2021.
13
7.7. Importación de paquetes
14
15
El gráfico anterior muestra el comportamiento de la descomposición estacional de los
años 2010 hasta el 2023, a continuación se explica lo que se observa en el gráfico:
● La tendencia representa el cambio a largo plazo en la serie de tiempo, es decir, la
dirección general o el patrón subyacente.
● La componente estacional captura los patrones repetitivos y predecibles que ocurren
en la serie de tiempo en intervalos regulares, como las estaciones del año, los días de
la semana, etc.
● El residuo es la parte no explicada por la tendencia y la estacionalidad. Representa el
ruido aleatorio, las variaciones irregulares o cualquier otro factor no sistemático
presente en la serie de tiempo
7.9. Suavizamiento Exponencial Simple
En estas líneas de código se realiza el DMA y el EMC con el cual nos apoyaremos
más adelante para descubrir el mejor método.
16
7.11. Método Holt
17
7.12. Error medio absoluto y medio cuadrado de Holt
Para finalizar este método, se buscó su error absoluto y cuadrado para evaluar su
rendimiento, el cual dio como resultado para Error medio absoluto 2.70 y Error medio
cuadrado 10.99.
18
7.14. Error medio absoluto y medio cuadrado de Winter
Para finalizar este método, se buscó su error absoluto y cuadrado para evaluar su
rendimiento, el cual dio como resultado para Error medio absoluto 1.84 y Error medio
cuadrado 5.60.
A la hora de elegir uno de los pronósticos, se eligió el probar cada uno de los 3
métodos para visualizar cúal se ajustaba al caso y daba un mejor pronóstico, en este caso nos
guiamos por el error medio absoluto y el error medio cuadrado, y el que dio más bajo fue el
método de Winter con un DMA: 1.84; EMC: 5.60. por lo tanto se deja en una tabla cada uno.
19
7.16. Machine Learning
En esta sección, se realizan una serie de operaciones relacionadas con el pronóstico de datos
utilizando el modelo de suavizado exponencial de Holt-Winters. explicando cada línea de
código:
20
7.24. test_saugus = forecast_data[112:]: Crea un DataFrame llamado test_saugus
que contiene los datos restantes de forecast_data después de las primeras 112
filas, que se utilizarán como datos de prueba.
7.25. test_predictions = fitted_model.forecast(36): Genera pronósticos para 36
pasos hacia el futuro utilizando el modelo ajustado. Los pronósticos se
almacenan en la variable test_predictions.
7.26. forecast_data.index = forecast_data.index.to_timestamp(): Convierte el
índice de períodos del DataFrame forecast_data a marcas de tiempo utilizando
to_timestamp().
7.27. train_saugus["TAVG"].plot(legend=True, label="TRAIN"): Traza un
gráfico de la columna "TAVG" de train_saugus con la etiqueta "TRAIN".
7.28. test_saugus["TAVG"].plot(legend=True, label="TEST", figsize=(15,5)):
Traza un gráfico de la columna "TAVG" de test_saugus con la etiqueta
"TEST". El parámetro figsize establece el tamaño del gráfico en pulgadas.
21
7.29. Test y predicción
22
test_saugus y test_predictions utilizando la función mean_squared_error y lo
imprime en la consola.
8.6. En resumen, el código muestra gráficamente las predicciones y los valores
reales, y luego calcula y muestra el MAE y MSE entre ellos.
23
8.7. Error medio absoluto y cuadrado de Machine Learning
24
9. Conclusiones
En conclusión, se busca replicar las capacidades cognitivas humanas en sistemas y
máquinas a través del campo de la Inteligencia Artificial. Se cuenta con numerosas
aplicaciones en diversos sectores, como mejoras en el servicio al cliente, optimización de
rutas y agricultura, entre otros.
25
10. Bibliografía
https://www.iberdrola.com/innovacion/que-es-inteligencia-artificial
https://todoestadistica.com/modelos-de-pronosticos/
Mira Segura, L. L., Trejo Martínez, A., & López Cruz, D. (2018). Aplicación de Holt-Winters
https://cienciauanl.uanl.mx/?p=7948#:~:text=El%20m%C3%A9todo%20Holt%2DWinters%
20es,de%20pron%C3%B3sticos%20a%20corto%20plazo.
Driv.in.
https://driv.in/blog/que-es-la-inteligencia-artificial-5-ejemplos?utm_term=&hsa_acc=875995
5348&hsa_cam=15800357032&hsa_grp=136297261193&hsa_ad=609767959863&hsa_src=
g&hsa_tgt=dsa-2031047569864&hsa_kw=&hsa_mt=&hsa_net=adwords&hsa_ver=3&gad=1
https://www.ibm.com/mx-es/analytics/machine-learning
26