Maestría en Ciencias Computacionales

Permanent URI for this collectionhttps://repositorio.pascualbravo.edu.co/handle/pascualbravo/2794

Browse

Recent Submissions

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Representación visual de datos de baja dimensión para la toma de decisiones informadas con modelos de Deep Learning
    (Institución Universitaria Pascual Bravo, 2025) Restrepo Loaiza, Farley Albeiro; Briñez de León, Juan Carlos; Gómez Miranda, Ingry Natalia
    La toma de decisiones informada es crucial para las organizaciones, ya que permite optimizar procesos y avanzar estratégicamente. En este contexto, los algoritmos de Aprendizaje de Máquina (Machine Learning) han emergido como herramientas clave para respaldar estas decisiones. Sin embargo, las dimensiones y la calidad de los datos juegan un papel fundamental en su desempeño, ya que características como la cantidad de atributos, su variabilidad o la presencia de valores atípicos condicionan la eficacia de los modelos y, por ende, el impacto en las decisiones organizacionales. Se ha identificado que, al incrementar la cantidad de dimensiones en los datos, los algoritmos convencionales tienden a experimentar variaciones significativas en su rendimiento. Esto ha obligado al área de las ciencias computacionales a incorporar extensas etapas de ingeniería de características para mejorar los algoritmos. No obstante, dichas etapas representan desafíos para las organizaciones; por un lado, requieren expertos altamente capacitados, lo que no siempre está disponible; por otro, dependen de la calidad del proceso implementado. Este panorama ha impulsado la búsqueda de estrategias que minimicen la dependencia de la ingeniería de características y, al mismo tiempo, garanticen un buen desempeño incluso con datos de baja dimensionalidad, es decir, escenarios en los que las variables medibles son limitadas en comparación con los modelos de alto desempeño. En respuesta a estas oportunidades y restricciones, este trabajo desarrolla una estrategia para el mapeo de representaciones visuales de datos de baja dimensionalidad. Para ello, se utiliza un caso representativo de la literatura, el conjunto de datos PIMA Indians Diabetes. La estrategia propuesta incluye dos enfoques principales; primero, un mapeo hacia representaciones visuales mediante superficies gaussianas, y segundo, un mapeo a imágenes de patrones de franjas de Moiré generadas a partir de las superficies gaussianas. Estas representaciones alimentan modelos de deep learning ampliamente reconocidos en la comunidad científica para respaldar la toma de decisiones. Los resultados obtenidos demuestran que estas representaciones visuales superan las expectativas de los modelos convencionales y de las estrategias paralelas reportadas en la literatura, posicionándose como una contribución significativa en este campo de estudio.