Unidad de Postgrado Ingeniería de Sistemas e Informática

Permanent URI for this communityhttps://hdl.handle.net/20.500.12672/127

Browse

Now showing 1 - 6 of 6

Clasificación de lesiones en imágenes dermatoscópicas usando redes convolucionales profundas, transfer learning, congelamiento de capa óptima y ensamblado
(Universidad Nacional Mayor de San Marcos, 2023) Herrera Del Aguila, Henry Miguel; Herrera Quispe, José Alfredo
Optimiza el desempeño en la clasificación de imágenes dermatoscópicas en 7 tipos de lesiones mediante el uso de redes neuronales convolucionales profundas con transfer learning, congelamiento de capa óptima y ensamblado. La visión computacional y las redes neuronales convolucionales profundas han tenido un impacto significativo en la actividad médica, siendo utilizadas para el diagnóstico de enfermedades mediante imágenes y detección de patrones. Los resultados del estudio demuestran una mejora en el desempeño de la clasificación del diagnóstico al aplicar un método novedoso de congelamiento mediante búsqueda binaria mejorando su exactitud hasta un 3.18 %. Además, se compara este enfoque con la propuesta de Nagae, que utiliza algoritmos genéticos para el congelamiento de capas, obteniendo en algunos casos una mejora de hasta un 2.65% en exactitud. Posteriormente, se aplican diversos métodos de ensamblado para mejorar hasta un 4.69% en exactitud.
Clasificación de reclamos virtuales en el sector público: un análisis comparativo de algoritmos de aprendizaje automático usando procesamiento de lenguaje natural
(Universidad Nacional Mayor de San Marcos, 2025) Diaz Tunjar, Thalia; Herrera Quispe, José Alfredo
La atención oportuna y eficiente de los reclamos ciudadanos en el sector público representa un desafío persistente, especialmente ante el creciente volumen de registros en plataformas virtuales. El procesamiento manual de estos reclamos genera demoras, errores y respuestas insatisfactorias que afectan la confianza del ciudadano en la gestión pública. La presente investigación de carácter aplicado y experimental tiene como objetivo validar la efectividad de técnicas de clasificación automática de reclamos mediante el uso de Natural Language Processing (NLP) y algoritmos de Machine Learning (ML). Para ello, se formula una hipótesis principal orientada a determinar si es posible mejorar la clasificación y gestión de reclamos en un libro de reclamaciones virtual mediante la aplicación de modelos supervisados entrenados con datos reales del sector público peruano. Se desarrolló un análisis comparativo de cinco algoritmos de clasificación: Naive Bayes, Random Forest, Logistic Regression, Linear Support Vector Classifier (LinearSVC) y el modelo de lenguaje Claude AI. El conjunto de datos constó de 261,627 registros textuales, categorizados en seis clases: reclamo, queja, denuncia, consulta, sugerencia y otro. Los textos fueron sometidos a procesos de lematización, vectorización TF-IDF y balanceo mediante SMOTE, y los modelos fueron evaluados mediante métricas como precisión, recall y F1-score. Los resultados demuestran que es factible mejorar significativamente la clasificación. Entre los algoritmos clásicos, la Logistic Regression mostró un desempeño sólido y equilibrado, alcanzando un F1- score de 0.8639 en la categoría “Reclamo”. El modelo LinearSVC demostró alta capacidad de generalización con recall de 1.0 en clases minoritarias. El modelo Claude AI presentó un rendimiento competitivo, aunque inferior a los modelos supervisados optimizados. Esto confirma que la aplicación de NLP y ML, particularmente con modelos entrenados específicamente para el dominio, constituye una solución escalable y confiable para optimizar la gestión de reclamos, reduciendo tiempos de atención y aumentando la eficiencia operativa en entornos institucionales digitales.
Comparación de métodos estadísticos y redes neuronales para la toma de decisiones en la asignación de ubicación del almacenamiento
(Universidad Nacional Mayor de San Marcos, 2025) Sánchez Ferrer, Agusto Guillermo; Herrera Quispe, José Alfredo
En la actualidad, los almacenes enfrentan diversos desafíos logísticos, siendo uno de los más críticos el proceso de preparación de pedidos, en el cual los tiempos de recolección se incrementan significativamente debido a la congestión ocasionada por la falta de productos en las ubicaciones asignadas, lo que ha motivado la aplicación de estrategias como el slotting para optimizar la asignación de productos mediante técnicas analíticas; sin embargo, las variaciones estacionales y los cambios en la demanda dificultan una asignación eficiente y flexible. En este contexto, la investigación desarrolla un enfoque orientado a mejorar la asignación de ubicaciones de almacenamiento mediante el pronóstico de la demanda de productos, empleando métodos estadísticos y redes neuronales como soporte para la toma de decisiones logísticas, a partir del análisis de datos históricos correspondientes a 50 productos durante un período de siete años, comprendido entre enero de 2016 y julio de 2023. El estudio se estructura en dos fases, en las que inicialmente se integra un modelo novedoso sustentado en la revisión rigurosa de antecedentes, y posteriormente se comparan diferentes técnicas de pronóstico, tales como el modelo autorregresivo integrado de medias móviles estacional, la suavización exponencial doble y triple, y redes neuronales basadas en unidades recurrentes con puertas y memoria de largo y corto plazo. Los resultados obtenidos demuestran que el enfoque híbrido propuesto mejora la precisión de los pronósticos de demanda y contribuye a la optimización de la asignación de ubicaciones en el almacenamiento, permitiendo reducir los tiempos de preparación de pedidos y fortalecer el desempeño logístico de los almacenes.
De la Crisis al Algoritmo: Modelos de Machine Learning para Predecir el Riesgo de Crédito en Perú
(Universidad Nacional Mayor de San Marcos, 2025) Noriega Zapata, Jomark Pablo; Herrera Quispe, José Alfredo
La presente investigación propone una metodología basada en escenarios para mejorar la predicción del riesgo crediticio en economías emergentes mediante la incorporación de factores externos exógenos que influyen en la estabilidad financiera, integrando variables asociadas a la severidad del COVID-19, anomalías climáticas y episodios de convulsión social en modelos de aprendizaje automático aplicados a la morosidad crediticia. Para ello, se emplearon series temporales nacionales y sectoriales sometidas a pruebas de estacionariedad y causalidad, las cuales fueron incorporadas como indicadores externos en modelos de machine learning desarrollados bajo el marco CRISP-DM y complementados con técnicas de explicabilidad como SHAP y LIME. El análisis incluyó más de 8.2 millones de registros y 367 000 créditos individuales otorgados por una entidad financiera regulada en Perú entre 2020 y 2023, demostrando que la integración de factores externos mejoró el desempeño de modelos como CNN y XGB hasta en siete puntos porcentuales en métricas AUC y ACC, especialmente en sectores económicos sensibles. Asimismo, escenarios como el COVID-MOV permitieron captar efectos diferidos al desplazar la curva de mortalidad en el tiempo, mientras que escenarios compuestos —clima y protestas— intensificaron el riesgo de incumplimiento entre un 10% y 18% en carteras sin respaldo estatal. Los resultados evidencian que el enfoque propuesto constituye un marco replicable y escalable para la modelización del riesgo crediticio ante shocks sistémicos, con implicancias relevantes para reguladores, gestores de riesgo y entidades financieras que operan en contextos volátiles.
Series de tiempo y aprendizaje automático para el pronóstico de precios y rendimientos de las acciones de una empresa peruana en la Bolsa de Valores de Nueva York
(Universidad Nacional Mayor de San Marcos, 2025) Evaristo Broncano, Roberto Carlos; Herrera Quispe, José Alfredo
La investigación tuvo como objetivo comparar las técnicas de series de tiempo y de aprendizaje automático en su capacidad para el pronóstico de precios, rendimientos y la clasificación de altos rendimientos de las acciones de una empresa peruana que cotiza en la Bolsa de Valores de Nueva York, utilizando datos históricos comprendidos entre enero de 2020 y enero de 2023. El estudio abordó tres enfoques analíticos: predicción de precios, predicción de rendimientos y clasificación de rendimientos elevados, para lo cual se construyeron variables derivadas de los precios históricos, tales como rendimientos, medias móviles, ratios de precios, índice de fuerza relativa, bandas de Bollinger y oscilador estocástico. A partir de un análisis histórico iterativo se determinó una ventana óptima de predicción de 20 días, definiéndose como variables objetivo el precio, el rendimiento y la clasificación del rendimiento al día 20. Se implementaron modelos de series de tiempo como ARIMA y modelos de aprendizaje automático, incluyendo regresión, árboles de decisión, random forest, XGBoost, LightGBM, redes neuronales de perceptrón multicapa y redes neuronales recurrentes LSTM y GRU. Los resultados evidenciaron que los modelos basados en aprendizaje automático, especialmente las redes neuronales recurrentes LSTM y GRU, así como XGBoost y LightGBM, alcanzaron mayor precisión tanto en el pronóstico como en la clasificación de altos rendimientos, demostrando un mejor desempeño en contextos caracterizados por alta volatilidad y patrones no lineales complejos, lo que sugiere su potencial como herramientas estratégicas para el análisis financiero y la gestión de portafolios.
Un Marco de Trabajo para el Desarrollo de Software Web Seguro con Metodologías Ágiles
(Universidad Nacional Mayor de San Marcos, 2025) Valderrama Herrera, Gilmer Glicerio; Herrera Quispe, José Alfredo
La investigación analiza el desarrollo de software bajo un enfoque ágil mediante la metodología SCRUM, destacando su carácter incremental e iterativo que facilita entregas continuas de código y productos funcionales adaptables a los cambios, aunque también evidencia desafíos en la gestión de la seguridad debido a plazos reducidos y a la variabilidad de los requisitos. En este marco, se propone un modelo mejorado basado en “Agility of Security Practices and Agile Process Models: An Evaluation of Cost for Incorporating Security in Agile Process Models” de H. Maria Maqsood y Andrea Bondavalli, incorporando ocho actividades de seguridad seleccionadas según su grado de agilidad y su relación costo-beneficio. La validación del marco se realizó mediante una encuesta aplicada a gerentes, directores, analistas de sistemas, desarrolladores, analistas de calidad, Scrum Masters y gestores de proyectos, considerando factores de ponderación como la participación de un especialista en desarrollo seguro y el tiempo adicional requerido para integrar prácticas de seguridad. Los resultados evidencian que el marco propuesto presenta un adecuado grado de agilidad y factibilidad para su implementación en procesos de desarrollo basados en SCRUM, y que su aplicación en un caso de estudio permitió mitigar eficazmente amenazas y vulnerabilidades, contribuyendo al desarrollo de un software web seguro.

Browse

Browsing Unidad de Postgrado Ingeniería de Sistemas e Informática by browse.metadata.advisor "Herrera Quispe, José Alfredo"