Unidad de Postgrado Ingeniería de Sistemas e Informática

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

Browse

Now showing 1 - 4 of 4

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.
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.
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"