Examinando por Materia "Aprendizaje automático"
Mostrando 1 - 20 de 55
Resultados por página
Opciones de ordenación
Publicación A Novel Ornstein Uhlenbeck Levy Model Conditioned on an Unknown Mean : Frecasting of the VIX(Universidad EAFIT, 2024) Aguirre Posada, Mario; Almonacid Hurtado, Paula María; Pérez Monsalve, Juan PabloPublicación A retail demand forecasting system of product groups characterized by time series based on “ensemble machine learning” techniques with feature enginnering(Universidad EAFIT, 2022) Mejía Chitiva, Santiago; Aguilar Castro, José LisandroPublicación Análisis comparativo de modelos predictivos para la estimación de PM2.5 : un enfoque basado en aprendizaje automático y predicción conformal(Universidad EAFIT, 2024) Camelo Valera, Matías; Martínez Vargas, Juan David; Sepúlveda Cano, Lina MariaFine particulate matter (𝑃𝑀2.5pollution poses a significant environmental and public health challenge, requiring accurate predictive models for its monitoring and control. This study compares different machine learning approaches, including Linear Regression, Random Forest, and XGBoost, with and without the inclusion of mobility variables, to estimate 𝑃𝑀2.5 levels. Additionally, inductive conformal prediction is implemented to quantify uncertainty in the estimates and provide confidence intervals with 𝛼=0.05. The results show that while XGBoost experiences performance deterioration during training when mobility variables are included, it achieves the best validation performance with the lowest mean absolute error and the highest coefficient of determination. Conformal prediction enabled the establishment of confidence intervals with 89.26% coverage, close to the expected 95%, ensuring model reliability across different spatial and temporal scenarios. In conclusion, the use of machine learning models combined with advanced validation and calibration techniques, such as conformal prediction, enhances the accuracy and reliability of 𝑃𝑀2.5 estimation. However, the quality of input variables, particularly mobility-related data, remains a challenge, highlighting the need to incorporate meteorological information and improve data resolution. These findings contribute to the development of more reliable predictive tools for environmental management and air quality policy decision-making.Publicación Análisis de los resultados de la aplicación del instrumento para la evaluación docente de la universidad EAFIT(Universidad EAFIT, 2024) Fernández Carmona, Laura Catalina; Guarín Zapata, Nicolás; Mola Ávila, José Antonio; Universidad EAFITPublicación Análisis de patrones espaciales emergentes de lluvia en la ciudad de Medellín(Universidad EAFIT, 2025) Rangel Velásquez, Diego; Olarte Hernández, Tomás; Sepúlveda Berrio, JuliánEl aprovechamiento de datos meteorológicos es importante para la pronta atención de emergencias causadas por fenómenos climatológicos. Los sistemas de monitoreo climático brindan información valiosa para la gestión de riesgos, pero su aprovechamiento está estrechamente relacionado a los modelos predictivos que se puedan construir basándose en esta información. En este caso, mediante análisis de mediciones pluviométricas se buscó identificar patrones espaciales emergentes en picos de lluvia que pueden llevar a emergencias que requieran intervención de entidades de atención a desastres. Aunque existen estudios sobre distribución de precipitaciones, potencial de desarrollar modelos que se ajusten mejor a las condiciones ambientales de ciudades específicas. Esta investigación desarrolló un modelo que se adapta a las condiciones específicas del valle de Aburrá, anticipando la llegada de torrenciales a zonas de riesgo específicas. Se encontró que es posible anticipar la evolución de precipitaciones en escenarios específicos de precipitaciones convencionalmente elevadas.Publicación Análisis de registros de mantenimiento de centrales de generación de energía con técnicas de procesamiento de lenguaje natural(Universidad EAFIT, 2024) Ocampo Davila, Andrés Alonso; Salazar Martínez, Carlos AndresPublicación Aplicación de técnicas de aprendizaje automático para la proyección de la tasa de cambio entre COP y USD(Universidad EAFIT, 2022) Granada Carvajal, Lorena; Pérez Ramírez, Fredy OcarisPublicación Automatic Electrical Meter Forecasting : a Benchmarking Between Quantum Machine Learning and Classical Machine learning(Universidad EAFIT, 2024) Montes Castro, Jonathan Javier; Lalinde Pulido, Juan Guillermo; Sosa-Sierra, DanielThis work benchmarks Quantum Long Short-Term Memory (QLSTM) against classical LSTM networks using electrical meter data (KWh) from EPM, a public utility company, clients. The results show that QLSTM models learn in half the epochs compared to LSTM, as measured by the MSE cost function, while maintaining strong performance with respect to bias (Mean Absolute Percentage Error, MAPE) and variance (R^2) metrics. QLSTM leverages variational quantum circuits (VQC) to replace traditional LSTM cell gates, demonstrating the potential of quantum-hybrid algorithms in forecasting tasks. This study highlights the efficiency and accuracy advantages of quantum machine learning applied to real-world data from EPM’s electrical metering services.Publicación Clasificación ABC de inventarios mediante modelos de aprendizaje por refuerzo(Universidad EAFIT, 2025) Arrieta Salgado, Karolina; Almonacid Hurtado, Paula MaríaPublicación Data-Driven ML for the Prediction of Syngas Composition and End-Use Application from residual biomass gasification(Universidad EAFIT, 2025) González Velandia, Laura Catalina; García-Freites, Samira; Sanjuan Mejía, Marco; Acosta Villamil, David; Aristizábal Castrilló, Adriana; Botero Vega, María Luisa; Builes Toro, Santiago; Vega Botero, Maria Luisa; Toro Builes, Santiago; Promigas S.A. E.S.P Transmetano S.A.Publicación Desarrollo de modelo predictivo basado en machine learning para anticipar fallas en el probador de suspensión de la línea de livianos del Centro de Diagnóstico Automotor Certi Express Pereira S.A.S.(Universidad EAFIT, 2026) Vallejo Yepes, Mauricio; Martínez Vargas, Juan DavidPredictive maintenance has become a fundamental mechanism for ensuring the reliability, availability, and efficiency of industrial equipment. In the Colombian automotive sector, Automotive Diagnostic Centers (CDAs) play a crucial role in road safety by ensuring that vehicles meet the technical requirements of national regulations. However, traditional corrective and preventive maintenance methods generate downtime and additional costs that affect the continuous operation of inspection equipment. This research develops a machine learning-based solution to analyze the results of adhesion tests obtained using the suspension tester of the light vehicle line at the Certi Express Pereira S.A.S. Automotive Diagnostic Center. 2,360 test records were collected and, after a cleaning, normalization, and variable analysis process, a predictive model was built capable of detecting patterns associated with potential failures in both the measuring equipment and the inspected vehicles. The results show that the application of machine learning models in automotive diagnostic environments significantly improves the early detection of anomalies, allows for optimized maintenance planning, and contributes to reducing operating costs and downtime.Publicación Desarrollo de un sistema de apoyo a la toma de decisiones estilísticas en lenguaje de marca a través de una herramienta de machine learningDesarrollo de un sistema de apoyo a la toma de decisiones estilísticas en lenguaje de marca a través de una herramienta de machine learning(Universidad EAFIT, 2023) Córdoba García, Miguel de Germán; Maya Castaño, Jorge HernánPublicación Detección de anomalías en turbinas hidráulicas en fenómenos de desbalanceo y desalineación usando aprendizaje automático(Universidad EAFIT, 2025-12-09) Oliva Patiño, David Alexander; Guarín Zapata, NicolásPublicación Detección de tópicos con aprendizaje automático para la identificación de riesgos emergentes(Universidad EAFIT, 2025) Hernández Martínez, Felipe; Peña Palacio, Juan AlejandroPublicación Detection of carbapenem resistance in Klebsiella pneumoniae using convolutional vision transformers and MALDI-TOF proteomic profiles.(Universidad EAFIT, 2025) Salazar Marín, Valentina; Fernández García, Geysson Javier; Bravo Ortíz, Mario AlejandroAntimicrobial resistance is a growing global health problem, significantly increasing morbidity, mortality and healthcare costs. Traditionally, the identification of antibiotic resistance is based on phenotypic methods such as agar diffusion or automated systems such as VITEK, which require 24-72 hours to yield definitive results, delaying appropriate patient management. In this context, the need for faster and more accurate diagnostic aid strategies arises. This study explores the integration of artificial intelligence (AI) and mass spectrometry techniques for the classification of carbapenem-resistant Klebsiella pneumoniae strains. Specifically, matrix-assisted laser desorption/ionization-assisted laser desorption/ionization time-of-flight mass spectrometry (MALDI-TOF MS) data were used to generate proteomic profiles potentially associated with resistance mechanisms. However, the complexity and high volume of these data make the use of AI tools capable of identifying robust patterns indispensable. A convolutional vision transformer (CVT) model was implemented to classify carbapenem-resistant Klebsiella pneumoniae strains from a set of 180 proteomic spectra collected by Synlab Colombia. The CVT model outperformed traditional convolutional neural networks and other automated learning approaches, achieving higher accuracy and stability. Grad-CAM visualization improved model interpretability by identifying key spectral regions associated with resistance. The results highlight the potential of Vision Transformers in microbiological diagnostics by significantly reducing resistance detection time and contributing to a timelier clinical response. Future studies should explore the applicability of this methodology on other resistant pathogens to improve global surveillance efforts against antimicrobial resistance.Publicación Development of a machine learning-based methodology for an automatic control model in a Kaolin washing process(Universidad EAFIT, 2023) Contreras Buitrago, Oscar Javier; Martínez Vargas, Juan David; Organización CoronaPublicación Discriminación étnica en préstamos hipotecarios en estados unidos : un análisis predictivo con métodos causales y de aprendizaje automático(Universidad EAFIT, 2025) Galeano Naranjo, Juan Pablo; Almonacid Hurtado, Paula María; Álvarez Franco, Pilar Beatriz; Cruz Castañeda, VivianPublicación El impacto de las herramientas basadas en inteligencia artificial en la actividad profesional de las firmas legales, resultados de un mapeo sistemático de la literatura(Universidad EAFIT, 2025) Vásquez Mira, Juan Camilo; Suescún Monsalve, ElizabethÍtem En busca de un mayor bienestar en la ganadería de ceba y levante(2021-04-05) Martinez Guerrero, Christian Alexander; Christian Alexander Martinez-Guerrero; Garcia, Rodriguez; Aguilas Jose; Toro Mauricio; Pinto Angel; Rodriguez Paul; Vicerrectoría de Descubrimiento y CreaciónPublicación Estimación de la distribución espacial del ingreso intra-urbano de Medellín y su área Metropolitana, usando imágenes satelitales diurnas(Universidad EAFIT, 2021) Salazar Vásquez, Jessica Patricia; Patiño Quinchía, Jorge Eduardo; Duque Cardona, Juan Carlos; Gómez Escobar, Jairo Alejandro
- «
- 1 (current)
- 2
- 3
- »