vol. 1 núm. 1 (2022): aci. vol 1. no 1.

La tuberculosis (TB) es la décimo tercera causa de muerte en el mundo, en Colombia el país ha adoptado la “Estrategia Mundial denominada Fin a la TB 2016-2035” a fin de mitigar el contagio y muertes por la enfermedad. (abecé-tuberculosis. Minsalud). En el análisis de la TB se han definido variables tales como la edad, sexo, las condiciones de salubridad y residencia del paciente. Variables que están asociadas al desarrollo más temprano de esta enfermedad, no obstante, no se ha confirmado que necesariamente sean estas quienes determinen una condición mortal en el paciente. Es por ello que a través de un modelo machine learning se determinan las características más importantes que están relacionadas con la evolución de la enfermedad TB y caracterizar los perfiles de pacientes con TB, de acuerdo a la información de las bases de datos de la plataforma de notificación de eventos en salud pública Sivigila y así poder estimar el porcentaje de mortalidad que puede llegar a tener un paciente de TB. Realizando la implementación se pudo mejorar el modelo base del modelo basado en reglas siendo el Quadratic Discriminant Analysis el mejor por sus métricas las cuales no son muy buenas pero tienen una tendencia de superar el modelo base.

 El sector floricultor es muy importante en la sabana de Bogotá gracias a la alta productividad y competencia a nivel económico en el país. Al ser uno de los sectores agrícolas más desarrollados, requiere de tecnologías que ayuden a la mejora continua del proceso. Cambios negativos en el clima contribuyen a la afectación en la productividad, por lo que es de gran importancia conocer estos posibles cambios en variables climáticas como lo son la precipitación, humedad y temperatura. Se pretende obtener un buen modelo con el que se pueda pronosticar cambios en las temperaturas mínimas para el correcto desarrollo fisiológico de la rosa. El pronóstico fue realizado con una base de datos de una compañía floricultora de la Sabana de Bogotá y consistió en la obtención de un pronóstico de temperaturas mínimas para el mes de febrero del año 2022. Se obtuvieron tres pronósticos, uno con un modelo ARIMA, uno con redes neuronales de retroalimentación y otro con redes neuronales recurrentes, los cuales se compararon con los valores reales. Los resultados indican menor error en el modelo ARIMA pero mayor variación en las temperaturas mínimas con las redes neuronales recurrentes, por lo que se considera necesario elaborar un modelo de series multivariadas en el que se incluyan variables como temperatura máxima y humedad relativa para que el modelo sea más acertado a los datos reales.

 Como cualquier otro mercado, el sector inmobiliario atiende a las dinámicas de la oferta y la demanda, las cuales varían según factores propios de la vivienda. Con base a lo anterior, se ha identificado una necesidad de información en cuanto a precios, relativa a las dinámicas del mercado inmobiliario, para la cual se pretende desarrollar herramientas que le permitan tanto a agentes inmobiliarios, compradores, vendedores, constructores y demás participantes del sector, optimizar sus procesos de decisión de cara a la alternativa que más se ajusta a los intereses de cada uno de ellos. En este documento se desarrolla un modelo de Machine Learning que permite predecir los precios de vivienda en la ciudad de Bogotá, lo cual facilita la toma de decisiones en cuanto a la compra de vivienda usada y a su vez, pretende ser una herramienta que las empresas o personas involucradas en el sector inmobiliario, implementen para auspiciar el valor comercial de un bien en determinada zona. De esta manera, el modelo permitirá que el valor de un bien tenga argumentos válidos y no simples especulaciones a la hora de tomar decisiones de cara a compra y venta de inmuebles. Mediante la técnica del raspado de web se obtienen los datos (directamente de la página web fuente), con los cuales se realiza un análisis de cada una de las variables. A partir de lo anterior, se construye el modelo Machine Learning que más se ajusta al estudio, este caso fue un modelo Light Gradiente Boosting, el cual fue sometido a entrenamiento y testeo, dando como resultado un error (MAPE) del 15.58%.

 La cartera de crédito es fundamental en una entidad financiera, por ello ante cada crédito entregado, la esperanza es recuperarla en tiempos pactados con el cliente, aún así, es latente el riesgo de no pago durante la vigencia de la obligación. La propuesta de un modelo de predicción con diferentes técnicas que defina la probabilidad de default, puede ayudar a definir las posibles causas socioeconómicas que implican riesgo de impago. Se tomó la consecución de los defaults causados en el instante con el objetivo de identificar clientes que podrían incurrir en estado de mora y riesgo de no pago. La modelación se hizo con el fin de mitigar o filtrar los usuarios a los cuales se les otorga el crédito y nos ayuda a definir cómo puede ser catalogado como habiente potencial de default, esto, determinado por los perfiles que nos proveen los más de 39 mil individuos que conforman la base de datos. El nicho de mercado al cual se dirige la institución, está conformado por usuarios con alcance económico limitado para iniciar su empresa o microempresarios que requieren capital de trabajo para su negocio en curso, todos ellos con un interés en común, crear empresa y salir adelante con su idea, sin importar niveles académicos, músculo financiero o residencia urbana o rural. Es menester un concepto sólido del proyecto y su puesta en marcha. Es fundamental tener claro el nicho de mercado al cual se dirige la institución y por ello es relevante considerar cuál es el perfil que lo conforma. Los modelos expuestos en este proyecto tienen fundamentos de apoyo para el área de estudios de crédito o central de evaluación financiera. El procedimiento de modelado se llevó a cabo con métodos de aprendizaje máquina supervisados como regresión logística, random forest y gradient boosting. Tres opciones de las cuales se escogió el random forest como la mejor, según sus métricas.

Realizar pronósticos de los parámetros bromatológicos (porcentaje de proteína, ceniza, grasa y humedad de harina de origen animal. Materiales y métodos. Se utiliza como unidad de análisis una base de datos de harina de origen animal desde el año 2017 hasta el 2021, esta matriz cuenta con los resultados de los parámetros bromatológicos. Se considera que a través de la estadística de series de tiempo se puede ajustar un modelo a cada parámetro estudiado logrando pronosticarlo utilizando la metodología planteada por Box y Jenkins. Resultados. Se logra ajustar el modelo Arima (1,1,3) para el porcentaje de proteína, modelo Arima (1,1,2) para el porcentaje de ceniza, modelo Arima (0,1,2) para el porcentaje de grasa y modelo Arima (1,1,9) para el porcentaje de humedad. En conclusión, en los primeros cuatro (4) meses del 2022, se obtuvieron resultados para los modelos, Proteína= 0,69%; Ceniza= 1,37%; Grasa= 1,38% y Humedad= 7,39%.

 La tuberculosis (TB) es la décimo tercera causa de muerte en el mundo, en Colombia el país ha adoptado la “Estrategia Mundial denominada Fin a la TB 2016-2035” a fin de mitigar el contagio y muertes por la enfermedad. En el análisis de la TB se han definido variables tales como la edad, sexo, las condiciones de salubridad y residencia del paciente. Variables que están asociadas al desarrollo más temprano de esta enfermedad, no obstante, no se ha confirmado que necesariamente sean estas quienes determinen una condición mortal en el paciente. Es por ello que a través de un modelo machine learning se determinan las características más importantes que están relacionadas con la evolución de la enfermedad TB y caracterizar los perfiles de pacientes con TB, de acuerdo a la información de las bases de datos de la plataforma de notificación de eventos en salud pública SIVIGILA y así poder estimar el porcentaje de mortalidad que puede llegar a tener un paciente de TB. Realizando la implementación se pudo mejorar el modelo base del modelo basado en reglas siendo el Quadratic Discriminant Analysis el mejor por sus métricas las cuales no son muy buenas pero tienen una tendencia de superar el modelo base