Examinando por Materia "Bases de datos"

Mostrando 1 - 3 de 3
  • Miniatura
    PublicaciónAcceso abierto
    Análisis de las bases de datos NOSQL como alternativa a las bases de datos SQL
    (2012) López Peña, Carlos Andrés; Villegas Giraldo, Santiago
    Este trabajo de grado pretende proponer una alternativa NoSQL a los sistemas de gestión de bases de datos que utilizan las empresas en Medellín, de forma que puedan ser competitivas y hagan uso de las tecnologías emergentes que abordan las necesidades de hoy en día.
  • Miniatura
    PublicaciónAcceso abierto
    Estrategias de mercadeo a partir de la minería de datos de una empresa del sector de ropa de hogar en Medellín
    (Universidad EIA, 2013) Choperena Posada, Daniela; Soto Noreña, Sebastian; Lochmuller, Christian
    Este trabajo tiene como objetivo proponer estrategias de mercadeo en el sector ropa hogar en Medellín a partir del uso de la minería de datos. Los resultados de la minería de datos permitirán la toma de decisiones más asertivas y una relación más cercana con los consumidores.
  • Miniatura
    PublicaciónAcceso abierto
    Semillero de procesamiento y detección de patrones en señales 2024-1
    (Universidad EIA, 2024) Alzate Márquez, Mateo; Gallón Duque, Santiago; Gutiérrez Noguera, Santiago; Jaramillo Codina, Alejandra Sofía; Zuluaga Gómez, Isabella; Castaño López, Juan Carlos
    RESUMEN: en el semillero de procesamiento de señales se utilizó una base de datos de estímulos emocionales por realidad virtual ya existente en donde se utilizaron señales de electrocardiograma (ECG). La base de datos contenía registros de 34 personas sometidas a 12 diferentes estímulos de realidad virtual (VR), clasificados como "felices" o "tristes", después se procesaron las señales usando Python y diversas librerías, comenzando con la limpieza y normalización de datos, seguida de la eliminación de ruido mediante el método IModPoly y un filtro pasa bajas de Butterworth y junto a esto se calcularon la frecuencia cardíaca y su variabilidad, la coherencia fisiológica y la entropía de Shannon como características de esta señal. Luego, se implementaron modelos de machine learning (KNN, MLP, SVM) para clasificar los estados emocionales, optimizando parámetros mediante GridSearchCV y evaluando los modelos con técnicas estándar de clasificación y gráficos SHAP para interpretar la importancia de las características. El ejercicio arrojó resultados como el análisis comparativo que mostró que el modelo KNN tuvo el mejor rendimiento con un área bajo la curva ROC de 0.71, seguido por MLP y SVM, ambos con un área de 0.61, también un análisis de las características demostró que las más influyentes fueron la coherencia fisiológica y la frecuencia cardíaca. Finalmente se concluyó que el modelo KNN fue el más adecuado para el conjunto de datos, mientras que MLP y SVM mostraron potencial en escenarios específicos con más datos y separación clara entre clases. El semillero estuvo constituido de sesiones explicativas y creativas donde se creó código de programación para resolver el problema planteado en el objetivo general.