​ CENTRO DE ENSEÑANZA TÉCNICA SUPERIOR

​
​
​ Escuela de Ingeniería
​ Ingeniería en Ciencias Computacionales
​
​ Metodos Numericos
​
​ Coins (Reporte de avance de proyecto)
​
​ Presenta:
​ Oscar Leonardo Angulo Viveros
​ Matricula: 036303
​ Sebastian Soto
​ Matricula:36550
​ Ricardo Campos Moroyoqui
​ Matricula: 036657

​ Tijuana, B.C., 24 de Octubre de 2023

Título del proyecto:
Global Coins

● Descripción de la implementación (por ejemplo, explicación de los algoritmos,

diagrama de flujos, diagrama de bloques, circuitos, archivos de audio, imagen,
gráficos, datos, etc. empleados en su proyecto)
● Resultados preliminares y demostración (descripción de los resultados más recientes
del proyecto, mostrar ejemplo de imágenes, o video del funcionamiento)

RESUMEN

Global coins es un proyecto el cual surge de manera en la que nosotros como alumnos debíamos
expresar algún conocimiento que hayamos adquirido a lo largo del curso de la materia de
métodos numéricos. Por lo cual tratamos de hacer algunas cosas más novedosas pero que sin
embargo terminamos abandonando por su complejidad. Sin embargo terminamos por decidirnos
por este proyecto, global coins. Global coins es un sitio web en tiempo real el cual compara las
fluctuaciones de las divisas internacionales ,pero que tiene un enfoque a tratar de predecir el
valor monetario del siguiente día o fechas en base a valores previos y conocimiento que se tiene
del mercado. Lo cual es de gran ayuda no solo para nosotros , si no en especial para aquellas
comunidades fronterizas en las que el valor o ciertos costos como la importacion y exportacion
son bastante importantes a la hora de considerar los costos operativos, por lo que global coins es
una gran herramienta para tratar de reducir el margen de pérdida para pequeñas y grandes
empresas.

Logros-_

PROBLEMATICA
Problemática y Fundamentación:

Volatilidad Cambiaria: El tipo de cambio entre el peso mexicano y el dólar estadounidense es

altamente volátil, lo que puede afectar significativamente a individuos, empresas y comerciantes
en ciudades fronterizas. Esta volatilidad dificulta la planificación financiera y la toma de
decisiones.

Las ciudades fronterizas de México a menudo tienen un flujo constante de comercio y turismo
con los Estados Unidos. Los cambios en las tasas de cambio pueden tener un impacto directo en
la competitividad de los negocios y en los costos de los productos importados.

Los ciudadanos y las empresas necesitan acceso a información precisa y actualizada sobre el tipo
de cambio para tomar decisiones financieras efectivas. La falta de pronósticos precisos y
confiables puede resultar en pérdidas económicas.

OBJETIVOS

Pronósticos Precisos: Desarrollar un modelo de predicción confiable que utilice datos históricos
y factores relevantes para predecir el tipo de cambio MXN/USD en el corto y largo plazo. Esto
ayudaría a los usuarios a planificar sus actividades financieras.

Información en Tiempo Real: Proporcionar información en tiempo real sobre el tipo de cambio y
actualizaciones periódicas para que los usuarios estén al tanto de las fluctuaciones del mercado.

Ofrecer recursos educativos sobre cómo entender y utilizar la información sobre el tipo de
cambio, ayudando a los usuarios a tomar decisiones más informadas con su dinero.
Así como herramientas de conversión de Divisas, las cuales de manera sencilla ayudan a realizar
conversiones de divisas y cálculos financieros relacionados con el tipo de cambio.
También brindar información de las variaciones en el tipo de cambio pueden afectar a diferentes
sectores económicos en las ciudades fronterizas, lo que ayudaría a las empresas y gobiernos
locales a tomar decisiones estratégicas.

Ofrecer la posibilidad de recibir asesoramiento financiero personalizado a través de la

plataforma, para ayudar a los usuarios a optimizar sus transacciones de divisas.

MARCO TEORICO

Regresión lineal:
La regresión lineal es un modelo matemático que describe la relación entre varias variables. Los
modelos de regresión lineal son un procedimiento estadístico que ayuda a predecir el futuro. Se
utiliza en los campos científicos y en los negocios, y en las últimas décadas se ha utilizado en el
aprendizaje automático.

La tarea de la regresión en el aprendizaje automático consiste en predecir un parámetro (Y) a

partir de un parámetro conocido X.

Debido a su capacidad para transformar datos, pueden utilizarse para simular una amplia gama
de relaciones, y debido a su forma, que es más simple que la de las redes neuronales, sus
parámetros estadísticos se analizan y comparan con facilidad, lo que permite que se les extraiga
información valiosa.

La regresión lineal no sólo se utiliza con fines de predicción: también ha demostrado su eficacia
para describir sistemas.

Descenso de gradiante:

El descenso de gradiente es un algoritmo de optimización que se usa comúnmente para entrenar

modelos de machine learning y redes neuronales. Los datos de entrenamiento ayudan a que estos
modelos aprendan con el tiempo, y la función de costo dentro del descenso de gradiente actúa
específicamente como un barómetro, midiendo su precisión con cada iteración de actualizaciones
de parámetros. Hasta que la función sea cercana o igual a cero, el modelo continuará ajustando
sus parámetros para producir la menor cantidad de errores posible. Los modelos de machine
learning, una vez optimizados para la precisión, pueden ser potentes herramientas para
aplicaciones de inteligencia artificial (IA) y ciencias de la computación.

Descenso de gradiente por lotes:

El descenso de gradiente por lotes suma el error para cada punto en un conjunto de
entrenamiento, actualizando el modelo sólo después de que todos los ejemplos de entrenamiento
han sido evaluados. Este proceso se conoce como época de entrenamiento.

Si bien este procesamiento por lotes proporciona eficiencia de cálculo, aún puede tener un
tiempo de procesamiento prolongado para grandes conjuntos de datos de entrenamiento, ya que
aún necesita almacenar todos los datos en la memoria. El descenso del gradiente por lotes
también suele producir un gradiente de error estable y una convergencia, pero a veces ese punto
de convergencia no es el ideal y encuentra el mínimo local frente al global.

DESCRIPCIÓN DE LA IMPLEMENTACIÓN

Se utilizó un archivo CSV con los valores del dólar en pesos durante los últimos 365 días como
conjunto de datos.

Descripcion del codigo:

1. Importación de Bibliotecas: El código comienza importando las bibliotecas necesarias,

incluyendo NumPy para operaciones matemáticas, csv para leer los datos del conjunto de datos,
datetime para convertir las fechas a dias desde el primer dato del conjunto de datos y Matplotlib
para la visualización.

2. Función de Análisis de Fechas: Se define una función llamada `parse_date` que convierte
una cadena de fecha en un valor numérico representando los días desde una fecha de inicio.
3. Función de Error: La función `error` calcula el error cuadrático medio entre las predicciones
del modelo y los valores reales.

4. Función de Paso del Gradiente: La función `step_gradient` calcula los gradientes para los
parámetros `b` y `m` (intersección y pendiente) en la regresión lineal. Estos gradientes se utilizan
en el descenso del gradiente para actualizar los parámetros y mejorar el ajuste del modelo.

5. Descenso del Gradiente: La función `gradient_descent` aplica el descenso del gradiente para
ajustar los parámetros `b` y `m` de la regresión lineal. Itera a través de un número especificado
de iteraciones para minimizar el error.

6. Lectura de Datos: El código lee los datos de un archivo "data.csv". Cada fila del archivo
contiene una fecha y el valor del dólar en pesos mexicanos. Las fechas se convierten en valores
numéricos y se almacenan en una lista llamada `data`.

7. Parámetros Iniciales: Se especifican los valores iniciales de los parámetros `b` y `m`
(intersección y pendiente) del modelo de regresión lineal. Además, se establece la tasa de
aprendizaje (`learning_rate`) y el número de iteraciones para el descenso del gradiente.

8. Ejecución del Modelo: El código ejecuta el descenso del gradiente para ajustar los
parámetros `b` y `m` al conjunto de datos. Luego, calcula el error final y muestra el valor de los
parámetros y el error al inicio y al final del proceso.

10. Gráficos: Se grafican los datos reales y la línea de regresión para visualizar el ajuste del
modelo.

RESULTADOS PRELIMINARES
CONCLUSIONES Y AVANCES A FUTURO

Las conclusiones generales del progreso que se lleva en el proyecto son que, hace falta entrenar
un poco más el modelo matemático para hacer mejores predicciones, además de que tenemos que
mejorar el algoritmo de descenso de gradiente para obtener los resultados más óptimos posibles,
de igual manera se buscará alguna forma de optimizar en la medida de lo posible el código
implementado para el modelo matemático, para que así en conjunto la regresión lineal junto con
el descenso de gradiente puedan estar en su mejor desempeño.

Entre los avances a futuro que se tienen, es poder predecir el valor no solo del dólar, sino
también de algunas otras monedas, e implementar una interfaz que sea amigable a la vista, dentro
de las capacidades del programa y de los conocimientos con los que contamos, así como de las
investigaciones que hagamos para llegar a estos posibles resultado.

REFERENCIAS BIBLIOGRÁFICAS

Escuela Britanica de Artes Creativas y Tecnología (May 2023). Regresión Lineal: teoría y
ejemplos. https://ebac.mx/blog/regreson-lineal

IBM (S.F) ¿Qué es el descenso de gradiente?.

https://www.ibm.com/mx-es/topics/gradient-descent