Analítica de datos de canales digitales, su influencia previo al establecimiento de la radio online UPEC MINDALAE
DOI:
https://doi.org/10.32645/13906925.1453Palabras clave:
Canales digitales, análisis de datos, K-Nearest Neighbors, Aprendizaje automático, redes neuronales artificialesResumen
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, específicamente el algoritmo K-Nearest-Neighbors (KNN) como metodología principal de análisis; además, se emplearon árboles de decisión, Redes Neuronales Artificiales y diversas bibliotecas de análisis de datos incorporadas en el Lenguaje de Programación Python. Los resultados permitieron identificar 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 fin 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.
Descargas
Referencias
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 flujo usando Redes Neuronales Artificiales para Bombas de Cavidades Progresivas en el campo San Diego de Cabrutica
Canto, F.J. (2020). Eficacia de diferentes reglas hebbianas en el Aprendizaje Supervisado.
Collins, J.M., Collins, M.R., McKenzie, T., & Marino, M.J. (2021). The 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 Profiles 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). The 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.
Namazkhan, M., Albers, C., y Steg, L. (2020). A decision tree method for explaining household gas consumption: The 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 classification 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). The 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.
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Marco Antonio Yandún Velasteguí, Jorge Humberto Miranda Realpe, Luis Homero Viveros Almeida
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
El autor mantiene los derechos morales e intelectuales de su obra, autorizando a la editorial de la revista Sathiri la difusión y divulgación de su contenido con fines estrictamente académicos y de investigación, sin fines de lucro. Así mismo, se autoriza que la obra sea descargada y compartida con otras personas, siempre y cuando no sea alterada y se reconozca su autoria.
