http://localhost:8080/xmlui/handle/123456789/873 2026-04-24T23:12:21Z http://localhost:8080/xmlui/handle/123456789/1262 Título : Aplicación de RNA para predicción de turismo receptivo de los países sudamericanos en Alto Paraná. Autor : Fernández Romero, Marina Elizabeth; Almeida Delgado, Carlos Domingo Resumen : El presente trabajo de tesis se diseñó como un estudio longitudinal no experimental de tipo serie de tiempo, con el propósito de evaluar la capacidad predictiva del perceptrón multicapa de una red neuronal artificial aplicado al análisis turístico en el departamento de Alto Paraná. La arquitectura de la red neuronal incluyó 4 variables de entrada rezagadas temporalmente y una variable de salida. Se implementó un modelo de multicapa con retro propagación, utilizando la función de activación logística, con dos capas ocultas configuradas con 15 y 10 neuronas respectivamente. El entrenamiento del algoritmo se realizó utilizando el 50% de los datos para la serie temporal y el restante 50% para la validación del modelo. 2024-01-01T00:00:00Z http://localhost:8080/xmlui/handle/123456789/1261 Título : Sistema de mapeo de nutrientes para la soja. Autor : Müller Lopez, Kaian Matheus; Müller Lopez2, Braian Rafael; Arrúa Gínes, Jorge Luis; Monges Villasboa4, Yessica Lorena Resumen : El presente trabajo consistió en el desarrollo de un sistema para el mapeo de nutrientes en cultivos de soja mediante el uso de nodos sensores y tecnología GPS. El objetivo fue proveer información en tiempo real sobre los niveles de nutrientes en el suelo para mejorar la eficiencia en la producción agrícola. Se implementó una arquitectura de sistema distribuida, con nodos sensores que transmiten lecturas periódicas a un servidor central a través de un Shield WiFi. Los nodos integran un microcontrolador Arduino, módulo GPS, sensor de suelo NPK y batería. El servidor almacena los datos y los presenta en una interfaz web. Para evaluar el desempeñó, se realizaron pruebas con muestras de suelo analizadas en laboratorio. Se observó un error de 0% en la medición de pH. Sin embargo, se evidenciaron limitaciones significativas potasio, con error de 11.05 %. El módulo GPS presentó una precisión adecuada de aproximadamente 12 metros en las coordenadas geográficas, con un error de 0.0233% en latitud y 0.0313% en longitud. Este trabajo representa un avance experimental hacia la viabilización del mapeo en tiempo real de nutrientes mediante tecnologías de bajo costo. Si bien es necesario mejorar la confiabilidad de los sensores, queda demostrado el potencial de este enfoque para optimizar la gestión de nutrientes y aumentar la productividad agrícola de forma sostenible. 2024-01-01T00:00:00Z http://localhost:8080/xmlui/handle/123456789/1260 Título : Predicción del precio de criptomoneda aplicando técnica de Machine Learning - Random Forest Autor : Ibarrola Godoy, Jonatan Alejandro; Arrúa Gínes, Jorge Luis Resumen : En el actual y en constante evolución del panorama financiero, el mercado de criptomonedas ha captado una considerable atención por parte de inversores y operadores. Esta investigación se adentra en la predicción de criptomonedas, centrándose específicamente en Bitcoin, mediante el uso del Aprendizaje Automático y, en particular, el algoritmo Random Forest. La motivación de este estudio surge de la necesidad de abordar los desafíos significativos que enfrentan los participantes del mercado debido a la volatilidad inherente y la falta de regulación en el mercado de criptomonedas. Además, los datos históricos disponibles pueden no reflejar completamente la compleja realidad del entorno de las criptomonedas. Por lo tanto, la investigación tiene como objetivo comprender y aplicar técnicas de Aprendizaje Automático para enfrentar estos desafíos críticos. La investigación incluye la recopilación y el preprocesamiento de datos cuantitativos de los mercados de criptomonedas, incorporando características como los precios de apertura, máximos, mínimos y cierre, el volumen de negociación y el número de transacciones. Se desarrolla un modelo predictivo utilizando Random Forest y los datos se dividen en conjuntos de entrenamiento y prueba. Los resultados más representativos numéricamente obtenidos son los siguientes: Error Absoluto Medio (MAE): 18744.32 Raíz del Error Cuadrático Medio (RMSE): 30125.42 Error Porcentual Absoluto Medio (MAPE): 32.45% Estas métricas proporcionan una medida clara de la precisión del modelo en términos absolutos y relativos, evaluando la discrepancia entre los valores predichos y los valores reales de los precios de Bitcoin. El estudio también busca establecer relaciones causales entre las variables seleccionadas y los precios de las criptomonedas, demostrando cómo los cambios en estas variables influyen en las fluctuaciones de los precios. Se realizaron análisis de sensibilidad para evaluar cómo las variaciones en las variables predictoras afectan las predicciones de precios. Este diseño de investigación cuantitativa implica la recopilación, el análisis y la interpretación de datos numéricos para desarrollar modelos predictivos, proporcionando un sólido marco cuantitativo para pronosticar los precios de las criptomonedas y facilitar la toma de decisiones más informadas para inversores y operadores en este entorno financiero en constante cambio. 2024-01-01T00:00:00Z http://localhost:8080/xmlui/handle/123456789/1259 Título : Técnicas de Minería de Datos para identificar síndrome de pacientes con enfermedades arbovirosis en Paraguay Autor : Brítez Bogado, Jessica Lucia; López Orrego, Oscar Osvaldo; Ayala Díaz, Katia Andrea Resumen : El estudio “Técnicas de Minería de Datos para Identificar el Síndrome de Pacientes con Enfermedades Arbovirosis en Paraguay”, abordó la problemática de la identificación de síndromes asociados a enfermedades arbovirales, como el Dengue, Chikungunya y Zika, en Paraguay. Estas enfermedades representan una amenaza significativa para la salud pública, exacerbadas por factores como la urbanización acelerada y el cambio climático. Para enfrentar esta problemática, se utilizó las técnicas de Minería de Datos (MD) como herramienta principal. Se elaboró un instrumento validado por un médico experto en la materia, y se recopiló una base de datos sólida que incluyó 764 registros válidos. La limpieza y transformación de los datos fueron etapas cruciales para asegurar su calidad antes del análisis. Se aplicaron modelos de Árbol de Decisión y Random Forest utilizando las herramientas Knime y Weka. Los resultados demostraron una alta precisión en la clasificación de las enfermedades. El modelo de ´Árbol de Decisión en Knime logró una precisión del 99.57 %, mientras que el modelo en Weka obtuvo una precisión del 87.77 %. El modelo de Random Forest en Knime alcanzó una precisión perfecta del 100 %, mientras que en Weka logró una precisión del 95.1965%. Estos resultados confirman la viabilidad y efectividad de las técnicas de minería de datos en el diagnóstico y la clasificación de enfermedades arbovirales, contribuyendo significativamente a la identificación de síndromes en pacientes y proporcionando una base sólida para futuras investigaciones. 2024-01-01T00:00:00Z