https://hdl.handle.net/20.500.14278/792 2026-04-19T12:22:56Z 2026-04-19T12:22:56Z López Heredia, Johan Max Alexander https://hdl.handle.net/20.500.14278/5407 2026-04-07T16:01:25Z 2026-03-10T00:00:00Z

Modelo para la predicción del éxito profesional en egresados de la UNS mediante aprendizaje automático basado en datos académicos y socioeconómicos López Heredia, Johan Max Alexander Esta investigación presenta el desarrollo de un modelo predictivo para estimar el éxito profesional de egresados de Ingeniería de Sistemas e Informática de la Universidad Nacional del Santa (UNS). Se recopilaron datos académicos (promedio de notas, ciclos cursados), socioeconómicos (dependencia económica, convivencia familiar) y laborales (tipo de contrato, certificaciones, relación con la carrera). Tras la limpieza y codificación de variables, se aplicaron técnicas de oversampling para balancear clases minoritarias y se entrenaron algoritmos de aprendizaje automático (Random Forest, XGBoost y MLPClassifier). Los resultados evidenciaron que Random Forest y XGBoost alcanzaron precisión y macro F1-score del 100% en los conjuntos de validación y prueba, resultado que, si bien podría reflejar sobreajuste dada la muestra reducida (n=96), superó ampliamente el umbral del 80% inicialmente propuesto. Además, la importancia de variables subraya que factores como los estudios de posgrado y las certificaciones pesan más que la nota promedio en la predicción del éxito. Estos hallazgos confirman la hipótesis de que la conjunción de datos académicos y socioeconómicos permite anticipar el nivel de éxito, ofreciendo a la UNS una herramienta de diagnóstico y acción para fortalecer la inserción laboral y la formación continua de sus estudiantes.

2026-03-10T00:00:00Z Manrique Ronceros, Mirko Martin https://hdl.handle.net/20.500.14278/5264 2026-03-11T17:17:07Z 2025-02-01T00:00:00Z

Marco de trabajo para analítica de redes sociales basada en sistemas inteligentes aplicado al Centro de Cómputo de la Universidad Nacional del Santa Manrique Ronceros, Mirko Martin El crecimiento del uso de redes sociales ha generado una gran cantidad de datos no estructurados que requieren técnicas avanzadas para su análisis. En el contexto de la Universidad Nacional del Santa (UNS), el Centro de Cómputo enfrenta dificultades en la interpretación de datos de redes sociales, lo que impacta la gestión y la toma de decisiones estratégicas. Actualmente, no existe un marco de trabajo estructurado que integre sistemas inteligentes para optimizar el análisis de estas plataformas digitales. El objetivo de esta investigación fue diseñar e implementar un marco de trabajo para la analítica de redes sociales basado en sistemas inteligentes, con el propósito de mejorar la gestión y la toma de decisiones en el Centro de Cómputo de la UNS. Para ello, se aplicó la metodología CRISP-SNA, una adaptación del modelo CRISP-DM, combinando técnicas de minería de datos, procesamiento del lenguaje natural (PLN) y aprendizaje automático. Se recolectaron y analizaron datos de interacciones en redes sociales mediante modelos avanzados de inteligencia artificial, tales como BERT + LSTM, para la clasificación de sentimientos y detección de patrones de comportamiento. Los resultados evidenciaron mejoras significativas en la eficiencia del análisis de datos. Se logró una reducción del tiempo promedio de procesamiento en un 87.51% en Facebook y un 86.41% en Instagram. Asimismo, la precisión en el análisis de sentimientos alcanzó un 95.65%, superando en un 15% a los modelos tradicionales como Naïve Bayes y SVM. Además, se observó un incremento del 59.23% en Facebook y del 62.38% en Instagram en la cantidad de insights detectados, lo que confirmó la capacidad del sistema para identificar patrones y tendencias con mayor precisión. En conclusión, la implementación del marco de trabajo propuesto ha demostrado ser una herramienta efectiva para la analítica de redes sociales en la gestión institucional. La integración de sistemas inteligentes no solo ha optimizado la capacidad de análisis del Centro de Cómputo, sino que también ha facilitado la toma de decisiones basadas en datos, mejorando la comunicación y el impacto estratégico de la universidad en su comunidad digital. Se recomienda la expansión del uso del marco a otras áreas académicas y la actualización constante del modelo para adaptarse a nuevas tendencias tecnológicas en la analítica de redes sociales.

2025-02-01T00:00:00Z Ramirez Milla, Luis Enrique https://hdl.handle.net/20.500.14278/5007 2026-03-11T17:18:14Z 2025-03-25T00:00:00Z

Un modelo multiclasificador para la predicción de la carga de enfriamiento y calor en edificios residenciales Ramirez Milla, Luis Enrique Esta investigación tuvo como objetivo desarrollar un modelo multiclasificador para la predicción de la carga de enfriamiento y calor en edificios residenciales, siendo de tipo aplicada, pre-experimental y de diseño experimental; cuya población estuvo compuesta por 768 edificios residenciales. Para la recopilación de los datos, se empleó el análisis documental. Dentro de los resultados obtenidos, referente a la “Carga de calefacción”, el “Modelo multiclasificador 1” logró los valores más óptimos de R2 Score de 99.75%, Mean absolute error de 0.34, Mean squared error de 0.28, Root mean squared error de 0.53, Mean absolute percentage error de 0.02, Mean squared log error de 0.001, Root mean squared log error de 0.03. Por otra parte, en la “Carga de enfriamiento”, XGBoost mostró los valores más altos de R2 Score de 99.05%, Mean absolute error de 0.62, Mean squared error de 0.89, Root mean squared error de 0.93, Mean absolute percentage error de 0.02, Mean squared log error de 0.001 y Root mean squared log error de 0.03. En conclusión, el Modelo multiclasificador 1 y XGBoost fueron los algoritmos más eficaces para la predicción de la carga de calor y enfriamiento en edificios residenciales respectivamente.

2025-03-25T00:00:00Z Beltrán Canessa, Pedro Oswaldo https://hdl.handle.net/20.500.14278/4969 2026-03-11T17:19:19Z 2024-08-23T00:00:00Z

Modelo Predictivo de agroexportaciones para la Región La Libertad aplicando Data Science con RStudio Beltrán Canessa, Pedro Oswaldo En el presente trabajo de investigación, el autor, ha planteado una secuencia metodológica que permitirá ayudar, con el soporte de la Ciencia de Datos, a los involucrados en el sector de agroexportación del Valle de Virú, sobre todo en lo que respecta a los productos de mayor demanda, tales como las paltas, espárragos, arándanos y alcachofas. Luego de haber comprobado que no existen entidades que los orienten en cuanto a la toma de decisiones sobre el cultivo de los productos que se perfilan con mayor potencial agroexportador, la necesidad de proveerles información veraz y oportuna se torna imperativa. El método empleado fue el hipotético-deductivo, diseño longitudinal, teniendo como unidad de análisis el Valle de Virú y empleando como herramientas de diagnóstico y análisis la Data Science con RStudio. Se analiza el impacto que tienen las variables climatológicas y económicas en el desarrollo de las agroexportaciones, la importancia de la radiación solar y la tasa de inflación en la evolución de las agroexportaciones. Por último, se elabora un modelo predictivo de los productos que tienen una óptima tendencia al crecimiento de su demanda, así como otros que tienden a la baja. Asimismo, se demostró que nuestra hipótesis, respecto a este modelo de predicción, tiene una certeza no menor del 60%.

2024-08-23T00:00:00Z