211
ANALÍTICA DE DATOS DE CANALES
DIGITALES, SU INFLUENCIA PREVIO AL
ESTABLECIMIENTO DE LA RADIO ONLINE
UPEC MINDALAE
DATA ANALYSIS OF DIGITAL CHANNELS, ITS
INFLUENCE PRIOR TO THE ESTABLISHMENT OF UPEC
MINDALAE ONLINE RADIO
Recibido:
29/04/2022 - Aceptado: 13/01/2026
Marco Antonio Yandún Velasteguí
Docente de la Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
Magister en Auditoria de Tecnologías de la Información
Universidad Espíritu Santo
marco.yandun@upec.edu.ec
https://orcid.org/0000-0001-5627-9838
Jorge Humberto Miranda Realpe
Docente de la Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
Magister en Ingeniería de Software
Universidad Técnica del Norte
jorge.miranda@upec.edu.ec
https://orcid.org/0000-0003-1653-7059
212
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
Luis Homero Viveros Almeida
Docente de la Universidad Politécnica Estatal del Carchi
Tulcán - Ecuador
Magister en Administración de empresas
Ponticia Universidad Católica del Ecuador Sede Ibarra
luis.vivero@upec.edu.ec
https://orcid.org/0000-0003-3612-1798
Como citar este artículo:
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos
de canales digitales, su inuencia previo al establecimiento de la radio
online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.
org/10.32645/13906925.1453
213
Analítica de datos de canales digitales, su
inuencia previo al establecimiento de la
radio online UPEC Mindalae
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
Resumen
Dentro del Proyecto de Investigación “Canales digitales para la investigación y formación continua,
avanzada, la innovación y transferencia del conocimiento” de la Universidad Politécnica Estatal del
Carchi–UPEC, el presente documento tiene como objetivo analizar los datos recolectados mediante
una encuesta aplicada al personal académico y a los estudiantes de la UPEC.
A partir de los datos obtenidos, se generó un conjunto de datos original compuesto por 16 atributos
y 1911 registros, los cuales constituyen en el material de análisis. Sobre este conjunto se aplicaron
técnicas de Aprendizaje Automático, especícamente el algoritmo K-Nearest-Neighbors (KNN)
como metodología principal de análisis; además, se emplearon árboles de decisión, Redes Neuronales
Articiales y diversas bibliotecas de análisis de datos incorporadas en el Lenguaje de Programación
Python.
Los resultados permitieron identicar las instancias rol (estudiantes, docente) y el género de los
participantes, a partir de las cuales se elaboraron histogramas con algunos atributos, así como la
matriz de confusión, matriz de correlación, con el n de determinar la importancia de los campos
rol y género en relación con el resto de los atributos del conjunto de datos utilizados,
Como conclusiones, al aplicar el algoritmo K-Nearest Neighbors (KNN) para el campo rol, se
obtuvo una precisión (Accuracy) del 48,3263 %, mientras que para el campo género se alcanzó el
mismo valor. En cambio, al aplicar el algoritmo de árbol de decisiones, se obtuvo una precisión del
95,82245% para el atributo rol y del 55,09138% para el atributo género
Palabras claves: Canales digitales, análisis de datos, K-Nearest Neighbors, Aprendizaje automático,
redes neuronales articiales.
Abstract
within the Research Project “Digital channels for research and continuous training, advanced
innovation and knowledge transfer” of the State Polytechnic University of Carchi–UPEC, this
document aims to perform the analysis of the data collected through a survey of UPEC academic
sta and students.
e original dataset is generated with the data, it is composed of 16 attributes and 1911 records
that constitute the analysis material to which Automatic Learning is applied with the K-Nearest-
Neighbors algorithm as an analysis methodology, in addition the trees are used. of decision,
the Articial Neural Networks and some libraries of data analysis incorporated in the Python
Programming Language.
As results, the Role instances (students, teacher) and the Gender of the participants are determined,
to make histograms with some attributes, the confusion matrix, the correlation matrix and determine
the importance of the Role and Gender elds in relation to the elds of the used dataset,
As conclusions, applying the K-Nearest Neighbors algorithm for the Role eld, the Accuracy
(precision) of 48.3263% is determined, the Gender eld of 48.3263%, on the other hand, applying
the decision tree is 95.82245% compared to 55 .09138% to the Gender attribute
Keywords: Digital channels, data analysis, K-Nearest Neighbors, Machine Learning, articial
neural network
214
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
Introducción
Previo al establecimiento del proyecto de investigación “Canales digitales para la investigación y
formación continua, avanzada la innovación y transferencia del conocimiento”, en la Universidad
Politécnica Estatal del Carchi, y considerando el contexto social, económico y político, que obligó
al planeta entero a buscar nuevas estrategias para llevar a cabo las actividades como consecuencia de
la pandemia por el COVID-19, se generaron restricciones y connamientos, por lo que actividades
que en su mayoría se desarrollaban de forma presencial debieron trasladarse a entornos virtuales
alternativos, así como a nuevas formas de comunicación y conexión en tiempo real desde diferentes
ubicaciones físicos.
Como antecedentes teóricos, se toman como referencia los estudios realizados por Szukala,
A., & Davies, I. (2020). En su artículo “e interconnections between research and impactin social
sciences education” se destacan aspectos losócos, ontológicos y tecnológicos para la generación de
los conocimientos. Así también el trabajo de Estrella, Á. M. C., Pareja, E. M. D., & Ortega-Tudela,
J. M. (2018). “Service-learning at niversity: Helping schools respond to diversity using ICT” en
el cual se enfatiza el uso de propuestas sociales y el compromiso con la comunidad mediante la
aplicación del método de aprendizaje-servicio. Tomando en cuenta lo anterior, surgen nuevas
oportunidades para generar otras formas de conexión y difusión del conocimiento, por lo que
la implementación de canales digitales enfocados a radio en línea y televisión online se volvió
viable, gracias a la innovación constante de las nuevas tecnologías, las plataformas de streaming y
la modalidad de teletrabajo implementada. Previamente, se identicó la necesidad de consultar a
la comunidad universitaria sobre aspectos relacionados con el rol estudiantil o docente, el género,
el dispositivo electrónico utilizado, la frecuencia de sintonización, el interés en escuchar una nueva
propuesta de comunicación y difusión, entre otros aspectos.
Para analizar los 1911 registros y sus 16 atributos (dataset), se realizó el análisis mediante
herramientas de inteligencia articial, aprendizaje autimático (Machine Learning), árboles de
decisión y algoritmos basados en redes neuronales articiales, con el n de establecer correlación
entre los atributos del conjunto de datos. A continuación, se presentan algunos conceptos utilizados
en la investigación.
El aprendizaje automáico (Machine Learning) tiene como nalidad lograr el aprendizaje
autónomo o automático en los equipos o sistemas, tal como indican Hsieh, K., Phanishayee, A.,
Mutlu, O., y Gibbons, P.B. (2020). Este tipo de aprendizaje se clasica en tres categorías principales:
aprendizaje supervisado, no supervisado y de refuerzo.
• Aprendizaje supervisado: consiste en etiquetar los datos, los cuales se encuentran
agrupados, y determinar patrones de detección para ser utilizados en el etiquetado de
nuevos conjuntos de información. Adicionalmente, se conoce como un aprendizaje
guiado por un algoritmo previamente entrenado, basado en el aprendizaje autónomo
(Canto, F.J., 2020).
• Aprendizaje no supervisado: utiliza similitudes entre eventos y etiquetas
de conjuntos de conjuntos de datos, en los que el aprendizaje se basado en los
resultados devueltos por los agentes inteligentes (Booth, J., Margetts, B.K., Bryant,
W.A., Issitt, R.W., Hutchinson, C., Martin, N., y Sebire, N.J., 2021).
• Aprendizaje de refuerzo: es presenta cuando los datos del sistema no se encuentran
etiquetados, pero tras la realización de varias acciones o entrenamientos, y luego de
215
Analítica de datos de canales digitales, su
inuencia previo al establecimiento de la
radio online UPEC Mindalae
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
un determinado período de tiempo, el sistema recibe retroalimentación mediante
actualizaciones, con la intervención de agentes externos (Sánchez-Galán, J., 2020).
Algoritmos de inteligencia articial.
• Árbol de decisión. La representación de opciones y sus posibles resultados se
estructura en los denominados árboles de decisión, caracterizados por su forma
gráca (Patel, H. H., y Prajapati, P., 2018). Los autores indican que los nodos del
árbol representan una elección, mientras que los bordes corresponden a las reglas
o condiciones aplicables en una decisión. Cada árbol está compuestos por nodos
y ramas, donde cada nodo representa atributos del grupo a clasicar y cada rama
representa un valor posible del atributo (Namazkhan, M., Albers, C., y Steg, L.,
2020).
Por medio de los árboles de decisión, también es posible aplicar técnicas de minería de
datos y aprendizaje automático, utilizando modelos predictivos que asigna las observaciones de un
elemento a un valor objetivo determinado.
• Algoritmo K-Nearest-Neighbor (KNN). El algoritmo del vecino más cercano K
es uno de los algoritmos de clasicación más utilizados para la búsqueda y selección
de datos (Fan, A., Gardent, C., Braud, C., y Bordes, A., 2021). Se trata de un
algoritmo de aprendizaje automático supervisado, empleado para la resolución de
problemas de clasicación y regresión. Su implementación es relativamente sencilla;
sin embargo, a medida que aumentan el volumen de datos y el número de registros,
el algoritmo puede presentar una disminución en la velocidad de procesamiento.
Tal como se muestra en la gura 1, se ilustra la clasicación que existe en la clase A
y clase B, las cuales poseen valores céntrico, así como un valor desconocido, que de
acuerdo con el algoritmo se determinará a qué clase pertenece.
Figura 1
Representación del algoritmo k vecinos más cercano. Rubiales A. (2020).
• Red neuronal articial es una serie de algoritmos que relacionan los datos por medio
de procesos que imitan la conexión neuronal del cerebro humano. Bahramian, A.,
216
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
Parastesh, F., Pham, V., Kapitaniak, T., Jafari, S., y Perc, M. (2021) mencionan,
además, que las redes neuronales articiales pueden adaptarse a cambios en las
entradas de datos por medio de agentes inteligentes, lo que permite que la red
neuronal genere resultados mejorados sin necesidad de rediseñar los criterios de
salida. Asimismo, Hidalgo, J., Guevara, C., y Yandún, M. (2020) señalan que el
concepto de redes neuronales, cuyas bases se encuentran en la inteligencia articial,
está ganando popularidad de manera acelerada en el desarrollo de sistemas
comerciales.
Figura 2
Red neuronal. Bravo, M., Molero, A., Rojas, J., Prieto, K., y Gómez, Á. (2017).
• Lenguajes de programación Python. Conforme al criterio de Vidal-Silva, C.
L., Sánchez-Ortiz, A., Serrano, J., y Rubio, J. M. (2021), Python es uno de los
lenguajes de programación con los cuales se pueden desarrollar aplicaciones web
mediante el marco de trabajo Django, ya que facilita la implementación del patrón
Modelo Plantilla Vista. Además, cuenta con estructuras de datos ecientes y de
alto nivel, sus librerías incorporadas y su sintaxis clara lo convierten en un lenguaje
de programación ideal para escribir y desarrollar aplicaciones en diversas áreas, así
como en la mayoría de las plataformas.
Bibliotecas de Python.
• Numpy: Es una librería incorporada en el lenguaje de programación Python,
especializada en aplicaciones de cálculo numérico y el análisis de datos, particularmente
cuando se dispone de grandes volúmen de información (Harris, C.R., Millman,
K.J., Walt, S.V., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J.,
Berg, S., Smith, N.J., Kern, R., Picus, M., Hoyer, S., Kerkwijk, M.H., Brett, M.,
Haldane, A., R’io, J.F., Wiebe, M., Peterson, P., G’erard-Marchant, P., Sheppard,
K., Reddy, T., Weckesser, W., Abbasi, H., Gohlke, C., y Oliphant, T.E., 2020).
• Pandas: Es una librería de Python especializada en el manejo y análisis de estructuras
de datos. De acuerdo con Hagedorn, S. (2020), esta librería permite la lectura y
escribir archivos en formato CSV, Excel y bases de datos SQL; además, facilita
el acceso a los datos mediante índices o la asignación de nombres a los campos y
registros. Asimismo, posibilita el trabajo con series temporales, ofreciendo métodos
para combinar, reordenar y dividir los conjuntos de datos.
217
Analítica de datos de canales digitales, su
inuencia previo al establecimiento de la
radio online UPEC Mindalae
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
• Matplotlib: Es unabibliotecade Python que permite la generación de grácos a
partir de datos contenidos en arreglos (arrays) (Lemenkova, P., 2020).
• Google Colab: Es una plataforma que permite la escritura y ejecución de código
en el lenguaje de programación Python a través de un navegador web, resultando
útil para aplicaciones de aprendizaje automático y análisis de datos. Además,
proporciona un entorno de desarrollo con recursos de GPU, almacenamiento en
disco y memoria, provistos por Google (Collins, J.M., Collins, M.R., McKenzie,
T., y Marino, M.J., 2021).
Materiales y métodos
Materiales
Se utilizó la base de datos original, compuesta por 1911 registros o respuestas, generada a partir
de una encuesta en línea aplicada a la comunidad universitaria en el marco del proyecto de
investigación “Canales digitales para la investigación y formación continua, avanzada la innovación
y transferencia del conocimiento”. Con el n de aumentar la calidad de los resultados, se realizó
una revisión y depuración de datos, tal como se muestra en la gura 3. En dicha gura se presenta
el conjunto de datos resultante del preprocesamiento, el cual consistió en corrección de datos a)
erróneos, b) redundantes y c) inconsistentes, especialmente aquellos que fueron transformados a
datos numéricos para facilitar el tratamiento y análisis de la información. Asimismo, se utilizó la
totalidad de la base de datos, sin aplicar un proceso de balanceo de datos.
Figura 3
Preprocesamiento de la información, eliminación de ruido de la base de datos.
Métodos
La metodología se desarrolla conforme a lo indicado en el gráco y comienza con el proceso de
recolección de datos por medio de una encuesta online; posteriormente el preprocesamiento de los
datos mediante la aplicación de los algoritmos de inteligencia articial, con los que se experimenta
218
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
para determinar el mejor clasicador y el algoritmo que presenta el mayor porcentaje de precisión
(Accurracy). Finalmente, se comparan los algoritmos y herramientas descritos anteriormente.
Resultados
Con la aplicación del algoritmo K-Nearest Neighbors (KNN) desde el lenguaje de programación
Python, se obtienen resultados preliminares, tales como el conteo de registros, el valor medio, la
desviación estándar, el valor mínimo y el máximo, tal como se muestra en la gura 4, considerando
que el análisis aplicó a la totalidad del conjunto de datos (dataset).
Figura 4
Resultados de la Aplicación del algoritmo KNN en Python a todo el dataset.
Con el n de obtener mejores resultados, se procede al reemplazo de valores textuales
por valores numéricos para el análisis. En este proceso, se transforman los atributos ‘‘Si’’, ‘‘No’’,
‘‘Masculino’’, ‘‘Femenino’’ y ‘‘LGTBI’’; en la gura 6 se muestra el reemplazo aplicado a la totalidad
del conjunto de datos (dataset).
219
Analítica de datos de canales digitales, su
inuencia previo al establecimiento de la
radio online UPEC Mindalae
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
Figura 5
Resultados del proceso de reemplazo de valores texto a numéricos.
Los histogramas se generan mediante el lenguaje de programación Python. En la gura 6
se observan los histogramas correspondientes a los atributos rol, dispositivos electrónicos, medios
digitales, frecuencia de uso y tiempo de formación continua. Asimismo, para cada atributo la media,
el valor mínimo, el valor máximo y deviación estándar.
Figura 6
Histogramas generados de los campos rol, Dispositivo electrónico, Medios digitales Frecuencia de uso de
medios digitales y tiempo de dedicación a la formación continua.
Utilizando el entorno de Google Colab y la ejecución de código en el lenguaje de
programación Python se genera la matriz de confusión. En la Figura 8 se observan las etiquetas de
datos reales frente a los datos predictivos generados.
220
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
Figura 7
Matriz de confusión generada.
Tomando en cuenta que el conjunto de datos (dataset) utilizado cuenta con 16 campos, se
genera un árbol de decisión de gran tamaño, en el cual se toma como campo principal el uso de
dispositivos electrónicos. La gura 8 muestra una parte representativa del árbol de decisión.
Figura 8
Se muestra una parte del árbol de decisión.
Con el uso de Google Colab y la ejecución de código en el lenguaje de programación Python,
se genera la matriz de correlación de los principales campos que conforman el conjunto de datos
221
Analítica de datos de canales digitales, su
inuencia previo al establecimiento de la
radio online UPEC Mindalae
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
(dataset). En la Figura 9 se muestran los resultados, en los cuales se puede apreciar la formación de
la diagonal principal con valores iguales a uno. Asimismo, en la Figura 11 se presenta la matriz de
correlación utilizando los campos: rol, género, dispositivos electrónico, medios digitales, frecuencia
de uso de medios digitales, uso de medios de información, medios de difusión, interés en formación
continua y tiempo de formación continua.
Figura 9
Tabla de correlación de campos generada en Colab.
Figura 10
Matriz de correlación de campos generada en Colab.
Se toma en cuenta los campos rol (estudiante, docente) y el campo género para determinar
su importancia en relación con los demás campos utilizados.
222
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
Figura 11
Relación de importancia del campo Rol frente a los demás campos.
Figura 12
Relación de importancia del campo Género frente a los demás campos.
Conclusiones
Para la presente investigación, mediante el uso de diferentes métodos y herramientas de inteligencia
articial aplicados a los datos originales obtenidos, se logró identicar los factores preponderantes
que contribuyen a la toma de decisiones para el establecimiento e implementar la radio online
UPEC Mindalae. Entre los resultados más relevantes, se identicaron aquellos relacionados con el
rol (docente y estudiante) y el género de las personas encuestadas.
En relación con el atributo rol, la precisión (accuracy) obtenida mediante el algoritmo de
árboles de decisiones fue del 95,82245%, mientras que para el atributo género fue del 55,09138%.
Por su parte, al aplicar el modelo de regresión lineal, se alcanzó un accuracy del 97% para el campo
rol y 62% para el campo género. Finalmente, al aplicar el algoritmo K-Nearest Neighbors (KNN),
la precisión obtenida fue del 48,3263 % tanto para el campo rol como para el campo género.
223
Analítica de datos de canales digitales, su
inuencia previo al establecimiento de la
radio online UPEC Mindalae
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
Referencias bibliográcas
Bahramian, A., Parastesh, F., Pham, V., Kapitaniak, T., Jafari, S., y Perc, M. (2021). Collective
behavior in a two-layer neuronal network with time-varying chemical connections that are
controlled by a Petri net. Chaos, 31 3, 033138.
Booth, J., Margetts, B.K., Bryant, W.A., Issitt, R.W., Hutchinson, C., Martin, N., y Sebire, N.J.
(2021). Machine Learning Approaches to Determine Feature Importance for Predicting
Infant Autopsy Outcome. Pediatric and Developmental Pathology, 24, 351–360.
Bravo, M., Molero, A., Rojas, J., Prieto, K., y Gómez, Á. (2017). Desarrollo de un sensor virtual
de ujo usando Redes Neuronales Articiales para Bombas de Cavidades Progresivas en el
campo San Diego de Cabrutica
Canto, F.J. (2020). Ecacia de diferentes reglas hebbianas en el Aprendizaje Supervisado.
Collins, J.M., Collins, M.R., McKenzie, T., & Marino, M.J. (2021). e Role of CoLab and GAITS
in Enabling the RADx Tech Program. IEEE Open Journal of Engineering in Medicine and
Biology, 2, 119-124.
Estrella, Á. M. C., Pareja, E. M. D., & Ortega-Tudela, J. M. (2018). Service-learning at university:
Helping schools respond to diversity using ICT, Bordon. Revista De Pedagogia, 69(3), 73-
87.
Fan, A., Gardent, C., Braud, C., y Bordes, A. (2021). Augmenting Transformers with KNN-
Based Composite Memory for Dialog. Transactions of the Association for Computational
Linguistics, 9, 82-99.
Hagedorn, S. (2020). When sweet and cute isn’t enough anymore: Solving scalability issues in
Python Pandas with Grizzly. CIDR.
Harris, C.R., Millman, K.J., Walt, S.V., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E.,
Taylor, J., Berg, S., Smith, N.J., Kern, R., Picus, M., Hoyer, S., Kerkwijk, M.H., Brett, M.,
Haldane, A., R’io, J.F., Wiebe, M., Peterson, P., G’erard-Marchant, P., Sheppard, K., Reddy,
T., Weckesser, W., Abbasi, H., Gohlke, C., y Oliphant, T.E. (2020). Array programming
with NumPy. Nature, 585, 357–362.
Hidalgo, J., Guevara, C., y Yandún, M. (2020). Generation of User Proles in UNIX Scripts
Applying Evolutionary Neural Networks. In International Conference on Applied Human
Factors and Ergonomics (pp. 56-63). Springer, Cham.
Hsieh, K., Phanishayee, A., Mutlu, O., y Gibbons, P.B. (2020). e Non-IID Data Quagmire of
Decentralized Machine Learning. ArXiv, abs/1910.00189.
Lemenkova, P. (2020). Python Libraries Matplotlib, Seaborn and Pandas for Visualization Geo-
spatial Datasets Generated by QGIS. Social Science Research Network.
224
Yandún, M., Miranda, J., & Viveros, L. (Enero – junio 2026). Analítica de datos de canales digitales, su inuencia previo al establecimiento de la
radio online UPEC MINDALAE. Sathiri, 21 (1), 211 – 224. https://doi.org/10.32645/13906925.1453
Namazkhan, M., Albers, C., y Steg, L. (2020). A decision tree method for explaining household
gas consumption: e role of building characteristics, socio-demographic variables,
psychological factors and household behaviour. Renewable and Sustainable Energy Reviews,
119, 109542.
Patel, H. H., y Prajapati, P. (2018). Study and analysis of decision tree based classication algorithms.
International Journal of Computer Sciences and Engineering, 6(10), 74-78.
Rubiales A. (2020). Vecinos Cercanos (K-Nearest Neighbors) en Sklearn.
Sánchez-Galán, J. MACHINE LEARNING Y SUS APLICACIONES. In ACTAS DEL
V CONGRESO INVESTIGACIÓN, DESARROLLO E INNOVACIÓN DE LA
UNIVERSIDAD INTERNACIONAL DE CIENCIA Y TECNOLOGÍA IDI-UNICYT
2020 _ (p. 54).
Szukala, A., & Davies, I. (2020). e interconnections between research and impact in social
sciences education. Journal of Social Science Education, 19(2), 1-7. doi:10.4119/jsse-3537
Vidal-Silva, C. L., Sánchez-Ortiz, A., Serrano, J., y Rubio, J. M. (2021). Experiencia académica
en desarrollo rápido de sistemas de información web con Python y Django. Formación
universitaria, 14(5), 85-94.
