DMAF - Trabajos de fin de Maestría en Ciencia de Datos

URI permanente para esta colección

https://hdl.handle.net/11117/7421

Examinar

Examinando DMAF - Trabajos de fin de Maestría en Ciencia de Datos por tema "Anomaly Detection"

Mostrando 1 - 2 de 2
  • Ítem
    An Anomaly Detection Process for a Business Solution
    (ITESO, 2020-11) López-Miranda, Ana V.; Sánchez-Torres, Juan D.; Ruiz-Cruz, Riemann
  • Ítem
    Anomaly Detection for Cloud Services
    (ITESO, 2024-05) Ceja-Fuentes, Erick; Alcalá-Temores, Jaime E.
    El estudio presentado en este trabajo de investigación se centra en el análisis de métricas en un sistema basado en la nube. Las métricas se recopilan de diferentes fuentes con distintos niveles de agrupación. Esto crea un entorno ideal para explorar modelos de clasificación.El objetivo principal de este estudio es encontrar correlaciones entre las diferentes fuentes de estas métricas. En particular, el estudio tiene como objetivo examinar los grupos de instancias de la nube e identificar las relaciones entre ellos.Se exploraron varios modelos para analizar las métricas. Después de una cuidadosa consideración, se determinó que los árboles de decisión eran el mejor modelo a utilizar para este tipo de datos. Los árboles de decisión ofrecen varias ventajas para este tipo de análisis, incluida su capacidad para manejar estructuras de datos complejas y su facilidad de interpretación.Los resultados del estudio fueron positivos. Al utilizar árboles de decisión, se mejoró enormemente la clasificación de los diferentes grupos de instancias de la nube. Este éxito demuestra la utilidad de los árboles de decisión para analizar estructuras de datos complejas y puede tener implicaciones para futuros estudios en esta área.