DMAF - Trabajos de fin de Maestría en Ciencia de Datos

URI permanente para esta colecciónhttps://hdl.handle.net/11117/7421

Examinar

Mostrando 1 - 20 de 96

Embargo
Levenberg-Marquardt With the Conjugate Gradient Method for Efficient Neural Network Training and Noisy Data
(ITESO, 2025-02) Isidoro-Muñoz, Abraham; Ruíz-Cruz, Riemann
El presente estudio tiene como objetivo proporcionar nuevas perspectivas sobre la implementación de métodos matriciales iterativos dentro de los algoritmos de entrenamiento para redes neuronales artificiales. Si bien existen algoritmos altamente desarrollados con buena aplicabilidad a problemas relativamente simples, como los algoritmos basados en los criterios de la segunda derivada, el costo computacional y otras características inherentes a la función de costo impiden su adopción en problemas más complejos. Es aquí donde los métodos iterativos para resolver sistemas matriciales pueden proporcionar mayor flexibilidad y eficiencia, dadas ciertas características de las matrices involucradas en el algoritmo bajo estudio y los criterios de parada del método. El algoritmo de Levenberg-Marquardt ha sido seleccionado como el objeto de estudio debido a su capacidad y eficiencia para realizar cierta interpolación entre los criterios de la primera y la segunda derivada, lo que permite lograr resultados de entrenamiento superiores en comparación con otros. El gradiente conjugado fue elegido como el método iterativo para la solución de matrices debido a las características que comparte con la matriz de interés del algoritmo antes mencionado, además de otras capacidades que permiten explorar nuevas propuestas sobre las matrices involucradas. Además de las características mencionadas anteriormente, es un tema recurrente que los algoritmos con métricas de entrenamiento sobresalientes generen un sobreajuste de los datos. Levenberg-Marquardt no es ajeno a este problema, y uno de los puntos analizados aquí es que los métodos iterativos pueden ayudar a mitigar este sobreajuste a través de sus criterios de parada. Como tema final, es de interés analizar el impacto de la precisión numérica de punto flotante en el procesamiento de datos, y si esto afecta significativamente los resultados y las métricas de tiempo para los algoritmos y métodos antes mencionados. Los estudios analizados involucran pruebas directas en matrices, problemas de entrenamiento para clasificación y regresión, y pruebas en problemas de regresión con ruido controlado para evaluar el sobreajuste.
Embargo
Detección de enfermedades cardiometabólicas pediátricas usando técnicas de machine learning
(ITESO, 2026-07) Alvarado-Garnica, Luis C.; Jáuregui-Ulloa, Edtna E.; Ruiz-Cruz, Riemann
Childhood obesity and its cardiometabolic consequences represent a growing public health challenge in Mexico, where over a third of school-aged children are affected by excess weight. Despite this burden, validated and pediatric-specific predictive tools for early detection of cardiometabolic risk remain scarce. This study develops and evaluates machine learning models for the simultaneous prediction of three cardiometabolic outcomes: nutritional status (Body Mass Index classification), glucose alteration, and hypertension staging, in a pediatric population from Jalisco, Mexico. The dataset comprises 3,229 children and teenagers aged 5 to 16 years, drawn from the statewide Family Wellbeing Modules (Módulos de Bienestar Familiar) screening program of the State Health system. After preprocessing, three supervised learning approaches were implemented and compared: logistic regression, support vector machines (SVM) with a Radial Basis Function (RBF) kernel, and a cluster-then-classify hybrid strategy. Class imbalance was addressed through target-specific synthetic minority over-sampling technique (SMOTE) variants, and feature selection was performed via Wald-based statistical significance testing. Decision thresholds were optimized using the receiver operating characteristic (ROC) curve corner method on a dedicated validation set. Logistic regression achieved test Area Under the Receiver Operating Characteristic Curve (AUC-ROC) values of 0.897 , 0.635 , and 0.628 for BMI classification, glucose alteration, and hypertension staging, respectively, while maintaining clinical interpretability through odds ratios and significant predictor rankings. The SMOTE-augmented SVM models reached AUC-ROC values above 0.947 across all three outcomes, serving as a performance upper bound. Key predictors were consistent with established clinical knowledge: waist circumference dominated BMI classification, random glucose drove glucose alteration prediction, and diastolic and systolic pressure were the strongest predictors of hypertension staging. These findings demonstrate that interpretable machine learning models, trained on field-collected anthropometric and behavioral data, can effectively support early cardiometabolic risk detection in pediatric populations within resource-limited healthcare settings.
Embargo
Detección de errores en configuraciones de servidores cognitivos mediante modelos de clasificación basados en árboles de decisión
(ITESO, 2026-06) Gutiérrez-DíazInfante, Mónica; Silva-Gálvez, Arturo
Empresas globales del sector tecnológico desarrollan servidores con configuraciones altamente personalizadas, adaptadas a los requerimientos específicos de sus clientes. Estas configuraciones implican la selección de componentes clave, tales como procesadores, módulos de memoria, tarjetas de expansión y dispositivos de almacenamiento. Este proceso de personalización responde a criterios de desempeño, escalabilidad, tolerancia a fallos y eficiencia energética. En consecuencia, la correcta definición y validación de dichas configuraciones resulta fundamental para garantizar la compatibilidad entre componentes y evitar errores de implementación. El objetivo de este trabajo, es desarrollar un sistema automatizado para la detección de errores en configuraciones de órdenes de producción de servidores mediante el uso de modelos de aprendizaje automático basados en árboles de clasificación. Estos modelos resultan adecuados para entornos caracterizados por múltiples variables categóricas, interacciones complejas entre componentes y la existencia de reglas de compatibilidad. Los modelos no sólo actúan como un mecanismo de detección de errores, sino que permiten identificar patrones y reglas implícitas presentes en las configuraciones históricas del sistema. Se utilizaron dos bases de datos de configuraciones de servidores, una con relaciones estructuradas y otra con relaciones complejas entre las variables con las cuales se entrenaron múltiples modelos supervisados, incluyendo Árbol de Decisión, Random Forest y Gradient Boosting. Adicionalmente, se evaluó un modelo no supervisado (Isolation Forest) para detección de anomalías estructurales. El desempeño se midió utilizando métricas robustas para clases desbalanceadas, tales como F1-score, ROC-AUC y Average Precision derivada de curvas Precision–Recall. Los resultados muestran que, en el escenario de modelos de servidores de baja gama, los modelos supervisados alcanzan un desempeño cercano a perfecto, lo que indica que las reglas técnicas pueden ser capturadas de manera efectiva. Random Forest presenta el mejor desempeño y ofrece un balance óptimo entre precisión y robustez para su implementación productiva. Por otro lado, en el escenario de servidores de alta gama, se observa una degradación significativa del desempeño, atribuida a la complejidad del dominio y a la presencia de relaciones implícitas no modelables mediante reglas discretas. Se concluye que los modelos basados en árboles son altamente efectivos para la validación automática en entornos estructurados, mientras que en escenarios complejos su uso debe orientarse hacia sistemas probabilísticos de evaluación de riesgo más que a clasificación binaria estricta. Este trabajo sienta las bases para la integración de enfoques híbridos que combinen aprendizaje automático, reglas de negocio y lógica difusa, con el fin de mejorar la toma de decisiones en sistemas de configuración de alta complejidad.
Acceso Abierto
Implementación de redes neuronales convolucionales para el reconocimiento de imágenes de objetos perdidos en aeropuertos
(ITESO, 2026-05) Álvarez-Castellanos, Jesús; Silva-Gálvez, Arturo
El desarrollo acelerado de la tecnología de procesamiento digital de imágenes a nivel global ha logrado obtener grandes avances dentro de la rama de las ciencias computacionales, particularmente en el campo de la visión por computadora y el reconocimiento de patrones. La implementación de una gran cantidad de técnicas de preprocesamiento, junto con arquitecturas de aprendizaje profundo cada vez más sofisticadas, contribuyen en conjunto a un mejor modelado y aprendizaje automático que permita generar estimaciones favorables para la resolución de problemas complejos en diversos dominios de aplicación. En este trabajo se presenta el desarrollo de un modelo de redes neuronales para el reconocimiento y clasificación de imágenes de objetos perdidos en aeropuertos, abordando una problemática recurrente en las instalaciones aeroportuarias donde diariamente se registran numerosos casos de pertenencias extraviadas. El modelo propuesto tiene como objetivo principal procesar las imágenes de objetos extraviados en las instalaciones aeroportuarias para clasificarlos automáticamente que pueda facilitar a los propietarios la recuperación de sus pertenencias de manera eficiente, reduciendo así los tiempos de búsqueda y mejorando la gestión de objetos perdidos. Se selecciona como base de datos el repositorio ImageNet, creada por la Universidad de Princeton, contiene más de dos millones de imágenes organizadas en categorías semánticas denominadas synsets, derivadas de la estructura jerárquica de WordNet, también un recurso lexico creado en Princeton. Esta ontología organiza conceptos visuales en árboles con hasta catorce niveles de profundidad. Las categorias utilizadas son recaudadas mediante el descarte de objetos no permitidos en salas de espera dentro de los aeropuertos de acuerdo a las normas internacionales de aviación civil. Una vez seleccionadas las clases, cada imagen fue sometida a un pipeline de cinco etapas para su preprocesamiento. La arquitectura principal del proyecto fue la CNN extendida, organizada en seis bloques convolucionales ascendentes de 32 a 512 filtros, incorporando en cada bloque BatchNormalization, Dropout y terminando en una capa GlobalAveragePooling2D antes de la clasificación densa. Se entrenan y se evaluan 15 experimentos en los cuales se realizan ajustes sistemáticos a los diferentes hiperparámetros que configuran a la arquitectura del modelo principal. Dichos experimentos se dividen en 3 bloques donde en cada uno de ellos se fueron ajustando distintos tipos de hiperparámetros referentes al optimizados, aumentación de los datos y regularización de las capas convolucionales. Se selecciona el modelo con el mejor rendimiento de acuerdo a la métrica de exactitud. El modelo generado y seleccionado con mejor rendimiento demostró ser capaz de procesar las imagenes con un pipeline completo de transformaciones para mejorar la representación de los objetos a clasificar. También entregó una clasificación base con gran potencial de mejora de su rendimiento. Se planeá incorporar un mejor repositorio de imagenes que puedan representar de manera más presisa el dominio de categorias propias a los aeropuertos a ser implementados para mejorar el rendimiento del modelo.
Acceso Abierto
Relación entre autonomía económica y violencia de género en el estado de Baja California: caracterización y modelado predictivo
(ITESO, 2026-05) Arciniega-Chávez, Alexandra; Motta-Bonilla, Byron M.
El presente trabajo analiza la relación entre la autonomía económica y la violencia de género en el estado de Baja California utilizando datos de la ENDIREH 2021. A través de un Análisis Exploratorio de Datos (EDA), se caracterizó el entorno sociodemográfico y la autonomía económica de las mujeres; los resultados sugieren que, al no presentarse patrones lineales marcados, la violencia de género debe abordarse como un fenómeno multicausal y multidimensional. Posteriormente, se realizó un modelado predictivo comparando seis algoritmos de aprendizaje automático, desde una Regresión Logística hasta modelos de mayor complejidad. Se determinó que el Random Forest obtuvo el mejor rendimiento, evaluado primordialmente a través del F1-Score por su capacidad para balancear la precisión y la sensibilidad en la detección de casos positivos. Tras un proceso de selección de importancia de variables para reducir la dimensionalidad y el ruido, se identificó que la edad y el ingreso mensual son los factores más determinantes. Estos hallazgos sugieren que las mujeres jóvenes que inician su vida laboral enfrentan un riesgo mayor debido a alteraciones en las dinámicas tradicionales de poder. El estudio destaca la eficacia de la ciencia de datos para facilitar la identificación de perfiles vulnerables y apoyar a las instituciones gubernamentales en la implementación de medidas de prevención y mitigación de riesgos.
Acceso Abierto
Aplicación de modelos de machine learning para nowcasting: una solución para la planeación en la cadena de suministro en la industria electrónica
(ITESO, 2026-05) Ramírez-Ortega, Erika; Rodríguez-Reyes, Luis R.
Este trabajo de investigación se centra en el pronóstico del Índice de Precios del Productor (IPP) de los circuitos integrados. El estudio propone un enfoque de nowcasting para estimar el valor de esta variable de frecuencia mensual mediante la integración de variables independientes de frecuencia diaria, permitiendo capturar la dinámica del mercado en tiempo real. A diferencia de las aproximaciones tradicionales, esta tesis se aleja de los modelos econométricos convencionales para priorizar el uso de arquitecturas de Machine Learning, como lo son: Maquinas de Soporte Vectorial (SVM), Árboles de Decisión, Bolsa de Árboles y Bosque Aleatorios; integrando además la red neuronal de Memoria a Largo y Corto Plazo (LSTM) por su capacidad para modelar dependencias secuenciales complejas. Para garantizar la fiabilidad de las predicciones y determinar la conveniencia técnica de su implementación, se aplicó un marco de validación riguroso. Este incluye la prueba de Bootstrap Reality Check para comparar el rendimiento frente a modelos base, el cálculo de la Probabilidad de Overfitting del Backtest (PBO), asegurando que la capacidad predictiva de los modelos seleccionados sea estadísticamente sólida y no producto de un ajuste espurio al ruido histórico y por último, la técnica de Rolling Walking-Forward, la cual simula el desempeño del modelo en un entorno de producción real mediante ventanas deslizantes.
Acceso Abierto
Pronóstico de ventas en negocio de retail ferretero en Zona Metropolitana de Guadalajara
(ITESO, 2026-05) Ibarra-González, Guillermo; Motta-Bonilla, Byron M.
El presente trabajo analiza el comportamiento de las ventas en un negocio de retail ferretero ubicado en la Zona Metropolitana de Guadalajara mediante técnicas de análisis de datos, estadística y modelado predictivo. A partir del estudio de variables comerciales, financieras, estacionales y operativas, se identificaron patrones relevantes que influyen directamente en la demanda y en el desempeño de ventas de la empresa Ferremate. Posteriormente, se evaluaron distintos modelos de pronóstico, incluyendo métodos estadísticos clásicos y algoritmos de aprendizaje automático, con el objetivo de generar predicciones más precisas que apoyen la toma de decisiones estratégicas. Los resultados obtenidos permitieron identificar tendencias de consumo, periodos de alta demanda y factores clave asociados al crecimiento comercial y financiero del negocio. Asimismo, se determinó que los modelos basados en aprendizaje automático presentaron un desempeño superior en términos de precisión y capacidad de adaptación frente a cambios en la dinámica de ventas. El estudio destaca la utilidad de la ciencia de datos como herramienta para optimizar inventarios, mejorar la planeación operativa, reducir riesgos financieros y fortalecer la competitividad en el sector retail ferretero.
Embargo
Ocio serio en videojuegos: Análisis de patrones de comportamiento
(ITESO, 2025-12) González-Flores, Simón C.; Motta-Bonilla, Byron M.
El trabajo analiza patrones de comportamiento de jugadores en una plataforma de videojuegos para PC mediante el marco teórico del ocio serio de Stebbins. Se procesaron 2,969,323 registros de 1,937,126 jugadores únicos, construyendo métricas derivadas que operacionalizan dimensiones del ocio serio: perseverancia, trayectoria y participación comunitaria. La metodología integra técnicas de clasificación supervisada y clustering no supervisado. El modelo Random Forest alcanzó F1=0.700 para identificar jugadores con compromiso sostenido, utilizando siete variables libres de data leakage. El análisis de clustering identificó siete perfiles distintivos de jugadores (Silhouette=0.739): desde jugadores casuales (43.3\%) hasta una élite con compromiso extremo (0.3\%), pasando por perfiles transicionales (41.3\%) y serios (15.7\%). Los hallazgos revelan heterogeneidad significativa dentro del ocio serio, identificando rutas alternativas hacia el compromiso (especialización vs. generalización) y dimensiones no teorizadas previamente (ratio juego/participación comunitaria). La correspondencia entre métodos supervisados y no supervisados (68.7\% de concordancia) valida la robustez de los perfiles identificados. El estudio contribuye con: (1) métricas cuantitativas derivables de datos de comportamiento digital para operacionalizar el ocio serio, (2) evidencia empírica sobre subtipos de compromiso no anticipados por la teoría original, y (3) un pipeline metodológico reproducible para estudios a gran escala. Las limitaciones incluyen sesgos de plataforma y la imposibilidad de capturar dimensiones subjetivas del constructo.
Acceso Abierto
Clustering Models for Analyzing the Database Update Process
(ITESO, 2025-12) González-Rivera, Pablo I.; Motta-Bonilla, Byron M.
This work presents an empirical characterization of Oracle Datapatch execution during live patching by analyzing performance telemetry generated by the Oracle RDBMS. The main problem addressed is the lack of studies, datasets or methodologies describing how Datapatch behaves under real runtime conditions. The general objective of this work is to model this behavior using unsupervised learning techniques in order to identify recurring execution patterns. To achieve this objective, a data acquisition strategy based solely on native and license free instrumentation was developed using Statspack. A structured feature selection process was then applied using two complementary approaches: a statistical method based on a supervised model to identify variables correlated with execution duration, and a semantic method based on Oracle documentation to construct interpretable performance indicators. Both variable sets were used to train and evaluate clustering models capable of grouping similar execution behaviors. The results show that the proposed methodology can distinguish between stable executions, executions with internal pressure spikes handled efficiently and executions characterized by dominant I/O demand. These clusters provide insight into runtime behavior beyond elapsed time measurement and demonstrate that Datapatch performance varies across identifiable operational states. The main contribution of this work is the development of a reproducible methodology for understanding Datapatch execution behavior through data driven analysis. Finally, the conclusions and potential research extensions are presented.
Embargo
Pronóstico de demanda de hardware en entornos de nube utilizando modelos basados en series de tiempo
(ITESO, 2025-12) Mota-Escalante, José M.; Motta-Bonilla, Byron M.
Este proyecto tiene como propósito desarrollar un modelo de predicción para estimar la demanda de capacidad de cómputo en un entorno corporativo de servicios en la nube. El objetivo general consiste en evaluar y comparar metodologías de modelado basadas en series de tiempo, con el fin de anticipar el comportamiento futuro de la utilización de hardware. Entre los objetivos específicos se incluyen la recopilación, limpieza y estandarización del conjunto de datos; la verificación de la viabilidad estadística de las series; la construcción y validación de modelos; y la comparación de su desempeño mediante métricas especializadas. La motivación principal surge de la necesidad de contar con pronósticos más precisos que faciliten la planeación de capacidad en un entorno altamente dinámico. En servicios de cómputo en la nube, una predicción deficiente puede conducir tanto a la insuficiencia como al exceso de recursos, afectando la eficiencia operativa, los costos y la experiencia del cliente. La variabilidad observada en los datos históricos y la ausencia de un enfoque estandarizado justifican la importancia de desarrollar un análisis estructurado. El documento se organiza en cuatro secciones principales. Primero, se describe la recopilación y exploración de los datos, su origen y las transformaciones aplicadas. Después, se presentan los fundamentos teóricos del análisis temporal y los criterios para evaluar la idoneidad de cada serie. En seguida, se detalla el proceso de construcción, ajuste y validación de los modelos SARIMA. Finalmente, se discuten los resultados, se presentan conclusiones basadas en evidencia y se plantean líneas de trabajo futuro orientadas a mejorar la precisión y escalabilidad del modelo predictivo.
Acceso Abierto
Caracterización del funcionamiento cerebral en hombres y mujeres en estado de vigilia a partir de un registro electroencefalográfico (EEG)
(ITESO, 2025-12) Guevara-Hernández, Miguel A.; Motta-Bonilla, Byron M.
Se ha demostrado que tanto hombres como mujeres presentan patrones de funcionamiento cerebral típicos de su género y que sus cerebros usan diferentes estrategias dependiendo de las situaciones y contextos. Muchas de estas diferencias funcionales del cerebro se han reportado en relación con la ejecución de tareas o procesos cognitivo-emocionales, sin embargo, no se ha determinado si esta diferenciación funcional se puede presentar en un estado fisiológico de reposo, en vigilia con ojos abiertos. El registro de la actividad eléctrica cerebral o electroencefalograma (EEG), es una técnica no invasiva que permite caracterizar el funcionamiento de diferentes áreas de la corteza cerebral tanto en estado de reposo como durante conductas y procesos cognitivos o emocionales específicos. Los parámetros a medir del EEG son la potencia absoluta (PA), la potencia relativa (PR) y el grado de correlación EEG (rEEG) entre áreas corticales, de ahí que la cantidad de datos EEG a analizar es excesivamente grande y, por ende, complicada y difícil de analizar. La aplicación de modelos de optimización para el manejo y análisis de datos EEG implica una gran ventaja para los procesos rápidos de diagnóstico clínico y obtención de resultados en la investigación básica, por lo que el objetivo principal de este trabajo recepcional fue aplicar diferentes modelos de optimización para determinar el funcionamiento cerebral de jóvenes participantes en base a la categorización de su actividad EEG registrada en estado de vigilia con ojos abiertos. Los objetivos específicos incluyeron el análisis de la PA, la PR y la correlación (rEEG) de las frecuencias rápidas en el rango de beta (de 13 a 30 Hz), aplicando para cada tipo de parámetro EEG tres modelos de optimización: 1) regresión cuadrática por mínimos cuadrados, 2) regresión logística y 3) clasificación por K-medias. Los análisis exploratorios mostraron que de los tres parámetros EEG, fue con la PR que se encontró una mejor distribución normal y con el primer método (regresión por mínimos cuadrados) los resultados más estables y acordes a las hipótesis neurofisiológicas. Se concluye que la aplicación del modelo de optimización, regresión por mínimos cuadrados, es el más adecuado para caracterizar, con datos de PR de las frecuencias rápidas, la funcionalidad EEG que presentan hombres y mujeres en condición de reposo ojos abiertos. De los 37 participantes masculinos registrados, 67.6 por ciento fueron clasificados con un tipo de funcionalidad cerebral dominante tipo A y un 32.4 por ciento con tipo B; asimismo de los 37 sujetos femeninos, 70.3 por ciento se clasificaron con funcionalidad cerebral dominante tipo B y un 29.7 por ciento presentaron una funcionalidad cerebral dominante tipo A, indicando que el sexo no determina la funcionalidad cerebral en un estado de reposo con ojos abiertos.
Acceso Abierto
Forecasting Bitcoin’s Tendency with ConvLSTM Architecture
(ITESO, 2025-09-30) Contreras-González, César; Carrasco-Navarro, Rocío
Se presenta un modelo predictivo para la predicción en tiempo real del precio de Bitcoin, utilizando una arquitectura híbrida que combina Redes Neuronales Convolucionales (CNN) y Redes de Memoria a Corto y Largo Plazo Bidireccionales (Bi-LSTM), complementada con un mecanismo de atención de producto escalar. El modelo fue implementado usando TensorFlow y Keras, incorporando una función de pérdida personalizada y optimización de hiperparámetros mediante Keras Tuner. Utilizando un conjunto de datos de 15 características que incluyen indicadores financieros como RSI, MACD y Momentum, así como variables temporales. La investigación demuestra que el parámetro lookback es crucial para capturar la volatilidad del mercado, encontrando que períodos de 30 minutos son efectivos para mercados de alta volatilidad, mientras que 60 minutos funcionan mejor en condiciones estables, proporcionando una herramienta robusta para decisiones comerciales basadas en datos en el mercado de criptomonedas.
Acceso Abierto
El impacto del incremento salarial en México: un análisis con regresión distributiva
(ITESO, 2025-08) Leyva-Gómez, María A.; Ruíz-Hernández, María R.
Esta investigación analiza el impacto del aumento al salario mínimo en la distribución del ingreso salarial en México, a partir de las políticas implementadas durante el último sexenio. Para ello, se empleó la metodología de regresión distributiva, generando funciones de distribución acumulada (CDF) del ingreso por hora para 2018 y 2024, y construyendo una distribución contrafactual que aísla el efecto del salario mínimo. Los resultados revelan un efecto positivo en toda la distribución, con mayores aumentos en los percentiles bajos y altos, y aumentos más moderados en los segmentos medios. Esto contradice la idea de que el efecto se limita a los sectores más vulnerables, y confirma un impacto heterogéneo pero generalizado. Adicionalmente, se imputaron los ingresos faltantes, que representan casi el 30\% de los datos, utilizando modelos de machine learning. El XGBoost Regressor ofreció el mejor desempeño. La imputación incrementó significativamente el ingreso promedio, lo que confirma que los datos faltantes no son aleatorios. En conjunto, este trabajo muestra cómo herramientas de Ciencia de Datos pueden fortalecer el análisis económico, proporcionando estimaciones más precisas y revelando efectos que de otro modo podrían permanecer ocultos.
Embargo
Construcción predictiva automatizada de una serie de tiempo financiera corporativa con algoritmos dentro de un caso de estudio aplicado de Ciencia de Datos
(ITESO, 2025-08) Cárdenas-Cardeña, Mariely B.; Motta-Bonilla, Byron M.
En este documento se presenta el estudio y la aplicación de métodos de ciencia de datos sobre una base procesada, con el fin de mejorar la predicción financiera de un departamento operando para una empresa local de tecnología. Los ejecutivos y usuarios finales de dichas predicciones se apoyan de aquellos valores para la construcción de la estrategia corporativa, así como la toma de decisiones respectivas. Actualmente la operación en silos para la construcción de aquellos pronósticos evidencia la complejidad para reproducir dichos procesos. Aproximando a estas problemáticas algoritmos de aprendizaje de máquina y aprendizaje profundo puede resolver los retos que actualmente se enfrentan y dejar atrás procedimientos manuales. El presente documento contiene la investigación, aplicación y obtención de resultados en el desarrollo y construcción de un proceso más innovador y autónomo para la construcción de predicciones para periodos futuros. En términos numéricos y específicos, se espera una eficacia superior a 90% de precisión y un tiempo máximo 100 minutos para la ejecución. En este trabajo se encuentra el análisis exploratorio inicial del caso obtenido, así como la transformación de los datos para su utilización en modelos de ciencia de datos. Finalmente se presentan las experimentaciones empleadas, las conclusiones resultantes y propuestas para la continuación de mejoramiento a los avances reportados en este documento.
Acceso Abierto
Computationally Stable QCQP and SDP Multikernel Support Vector Regression Formulations
(ITESO, 2025-07) Álvarez-Álvarez, Gregorio A.; Sánchez-Torres, Juan D.
This study will explore alternative versions of the Multikernel Support Vector Regressor (SVR) algorithm. The two versions that will be explored include a derivation that uses an Objective-to-Constraint transformation to derive a Quadratically Constrained Quadratic Program (QCQP) algorithm with computational advantages over the earlier formulations. For the other approach, an innovative method to filter support vectors is used to increase numerical stability. This approach uses Lagrangian Duality and Semidefinite Programming (SDP) theory to derive a more general formulation. It will be shown that the alternative QCQP and SDP formulations provide computational advantages over their respective prior formulations, offering a more practical alternative to manual kernel design, especially in scenarios where using a multikernel is essential for problem construction, making it an ideal tool for researchers and practitioners.
Acceso Abierto
Recuerdos y redes: Detectando el Alzheimer antes del olvido
(ITESO, 2025-06) Galván-Blanco, Héctor A.; Alcalá-Temores, Jaime E.
El diagnóstico temprano de enfermedades neurodegenerativas como el Alzheimer es fundamental para mejorar la calidad de vida de los pacientes y facilitar una intervención médica oportuna. Este trabajo explora el uso de modelos de aprendizaje supervisado para clasificar el estado cognitivo de individuos: Cognitivamente Normal (CN), Deterioro Cognitivo Leve (MCI) y Alzheimer (AD), a partir de variables clínicas y demográficas estructuradas. Se implementaron y compararon dos enfoques: un modelo de regresión logística multinomial y una red neuronal profunda, desarrollada tras múltiples pruebas con arquitecturas de diferente complejidad. El proceso incluyó limpieza, codificación, normalización y selección de variables. La red neuronal, optimizada con múltiples capas densas y regularización, logró un desempeño superior, particularmente en la detección de la etapa MCI (recall = 81 %), considerada crítica por su relevancia clínica. Estos resultados refuerzan el potencial de las redes neuronales como herramienta de apoyo al diagnóstico temprano en contextos clínicos.
Acceso Abierto
Acceso al agua potable y relación con la pobreza en la zona metropolitana de Guadalajara
(ITESO, 2025-06) Peralta-Morfín, María L.; Silva-Gálvez, Arturo
Este trabajo analiza la relación entre el nivel socioeconómico (NSE) y la disponibilidad de agua potable en la Zona Metropolitana de Guadalajara. Se parte del problema del acceso desigual al agua y su impacto en comunidades con menores recursos. El objetivo es evaluar si existe una correlación entre estos factores, utilizando modelos estadísticos y de aprendizaje automático. Se emplearon datos del Censo de Población y Vivienda 2020 del INEGI y del índice de NSE calculado por la AMAI. A partir de estos, se aplicaron distintos modelos: regresión lineal, regresión logística, árboles de decisión (regresión y clasificación) y una red neuronal multicapa. Las variables consideradas incluyeron indicadores de acceso al agua como presencia de agua entubada, tinacos y cisternas. Los modelos de regresión mostraron un bajo ajuste, con coeficientes R² cercanos a cero. Los modelos de clasificación aumentaron considerablemente en desempeño, siendo la red neuronal la que alcanzó la mayor precisión con un valor de 62.74 %. Los modelos sugieren una relación entre el NSE y el acceso al agua, pero sí revelan diferencias en el tipo de abastecimiento. La variable con mayor peso fue el acceso a agua entubada (VIV_3), el acceso a agua entubada y saneamiento está más presente en zonas con NSE alto, mientras que las zonas con menor NSE muestran una mayor dependencia de tinacos y cisternas. Los resultados también indican la falta de indicadores clave que limitan la capacidad para establecer una relación clara entre el NSE y el acceso al agua. Por ello, se recomienda ampliar la recopilación de datos para incluir variables adicionales que permitan un análisis más profundo y robusto de esta problemática.
Acceso Abierto
Modelo Híbrido Prophet/XGBoost Para Predicción Demanda de Inventarios Retail Automotive Aftermarket
(ITESO, 2025-04) Iñiguez-García, Abraham; Silva-Gálvez, Arturo
La toma de decisiones fundamentada en datos se ha convertido en una necesidad imperativa para las empresas que buscan no solo mantenerse competitivas en el mercado actual, sino también impulsar un crecimiento sostenible a largo plazo. En un entorno empresarial cada vez más dinámico y complejo, confiar únicamente en la intuición o en experiencias pasadas ya no es suficiente. El análisis de datos permite a las organizaciones identificar patrones, predecir tendencias y tomar decisiones informadas que minimicen riesgos y maximicen oportunidades. Este proyecto se enfoca en la predicción de demanda de inventario de empresas en el sector de venta de piezas automotrices retail con el objetivo de que las decisiones estratégicas de la dirección se basen en datos sólidos, permitiendo así una mayor precisión y efectividad. Al implementar un enfoque basado en datos, se busca optimizar la planificación de recursos, anticipar las necesidades del mercado y mejorar la rentabilidad de la empresa. De esta manera, la compañía estará mejor equipada para tomar decisiones informadas que promuevan un crecimiento sostenible y una ventaja competitiva en su sector. Para el desarrollo de este proyecto, se utilizaron conjuntos de datos generados a partir de las bases de datos del sistema ERP productivo de una empresa perteneciente al ramo. Para el análisis de la predicción de demanda de inventario se implementó un algoritmo de series de tiempo llamado Prophet, así como algoritmo de machine learning XGBOOST que en conjunto crean un modelo híbrido donde tomamos las ventajas de ambos. El estudio comparó diversos modelos de predicción de demanda, demostrando que los enfoques modernos como Prophet y el Modelo Híbrido superan significativamente a los métodos tradicionales (ARIMA, ETS y Promedios Históricos), mostrando mayor precisión y adaptabilidad a fluctuaciones en los datos. XGBOOST y su versión mejorada presentaron un desempeño intermedio, superando a los modelos clásicos pero sin alcanzar el rendimiento de Prophet. Se evidenció la baja efectividad del modelo de Promedios Históricos, actualmente utilizado por la empresa, destacando la necesidad de adoptar técnicas más avanzadas. Además, el procesamiento riguroso de los datos excluyendo períodos irregulares y ajustando por eventos atípicos como la pandemia fue clave para garantizar resultados robustos. Estos hallazgos resaltan la importancia de implementar modelos adaptativos en entornos con alta variabilidad en la demanda.
Embargo
Aplicación de técnicas de ciencia de datos para el diseño de estrategias en Mentoralia A.C.
(ITESO, 2025-06) Aguilar-Zúñiga, Laura S.; Silva-Gálvez, Arturo
Technovation Girls es un programa global y virtual dirigido a niñas de 8 a 18 años, cuyo objetivo es desarrollar habilidades en tecnología y emprendimiento a través de un programa de doce semanas, al final del cual entregan un proyecto. En México, el programa es coordinado por Mentoralia A.C., una asociación sin fines de lucro que busca formalizar esfuerzos y establecer alianzas con instituciones educativas y empresas tecnológicas para promover la participación femenina en STEM. Un reto importante que enfrenta Mentoralia es la alta deserción: muchas estudiantes se inscriben, pero no completan el programa. Este estudio tiene como finalidad identificar un modelo predictivo que permita predecir si una estudiante completará el programa, así como encontrar los factores clave que influyen en su permanencia. En el estudio se usó la base de datos de participantes en México durante el periodo 2020–2024. Primero, se realizó un análisis exploratorio considerando variables como el año, número de estudiantes y mentores por equipo. Luego, se aplicó un análisis bivariado para comparar estas variables con la tasa de finalización. Se entrenaron modelos de Regresión Logística, PBC4cip, SVC y Redes Neuronales, evaluados mediante precisión, recall, F1-score y AUC-ROC. Además del desempeño, se analizaron las variables más influyentes en la predicción. Estos hallazgos pueden guiar estrategias futuras para mejorar la retención y apoyar la participación femenina en ciencia y tecnología mediante enfoques basados en datos.
Acceso Abierto
Regularization of Visual Transformers and Reinforcement Learning: an Approach to General Artificial Intelligence Evaluated through the ARC Benchmark
(ITESO, 2025-05) Oviedo-Vázquez, Mario A.; Guerrero-Arroyo, Edgar A.
El auge de los Transformers y los modelos de lenguaje autorregresivos ha impulsado su uso en diversos campos, pero también ha expuesto sus limitaciones, como la incapacidad de resolver problemas simples que se encuentren fuera de los datos de su entrenamiento, lo que refleja deficiencias en comprensión, razonamiento y planificación. Estas habilidades son esenciales para aplicaciones críticas, autos autónomos o aplicaciones médicas, donde se requiere adaptabilidad a situaciones imprevistas. Esta tesis propone un modelo que combina un Transformers con codificador visual modificado (ViT) y aprendizaje por refuerzo (RL) para abordar estas limitaciones. La evaluación se realiza con el Abstraction and Reasoning Corpus (ARC), un benchmark creado para medir habilidades cognitivas en IA, que hasta ahora no ha sido superado por otros modelos.

Examinar

Envíos recientes