TITULO: Exploración de Comentarios Estudiantiles con Técnicas de NLP para la Generación de Conocimiento Aplicado a la Mejora del Proceso de Matrícula de una Universidad Peruana

ABSTRACT:
El presente trabajo se enfoca en el análisis de más de 7,000 comentarios abiertos emitidos por estudiantes durante los procesos de matrícula universitaria. Utilizando técnicas de Procesamiento de Lenguaje Natural (NLP), se busca transformar este corpus no estructurado en información accionable que permita mejorar la gestión institucional desde una perspectiva emocional, empleando modelos de última generación como SentenceTransformer para la detección de tópicos y RoBERTa para el análisis de sentimientos, lo que permitió identificar con alta precisión las principales fricciones operativas y afectivas del sistema de matrícula. Los hallazgos evidencian patrones repetitivos de frustración vinculados a fallos del sistema, falta de vacantes, errores administrativos y demoras injustificadas, lo que sugiere la necesidad de una reestructuración del enfoque institucional. Esta exploración ofrece una metodología replicable para otras instituciones que busquen incorporar la voz estudiantil en sus procesos de mejora continua.

ASIGNATURA: PROCESAMIENTO DEL LENGUAJE NATURAL - PhD. Wester Zela

INTEGRANTES DEL GRUPO 1 - SECCIÓN B
Alvarez Cadillo Michell Adrian
Flores Quiliche Fernando
Henostroza Villacorta Victor Arturo
Rodriguez Mallma Josef Renato

INFORME FINAL: PRESENTACIÓN: DATASET: NOTEBOOK:

TEMA:
DETECCIÓN PROACTIVA DE ANULACIONES DE COMPRA: UN ENFOQUE DE APRENDIZAJE AUTOMÁTICO

ABSTRACT:
Este estudio presenta un enfoque avanzado en la "detección de anulaciones de compra" utilizando técnicas de vanguardia en aprendizaje automático. Implementado en Python, el proyecto explota la eficiencia de PyCaret para el desarrollo rápido de modelos, mientras aborda el desafío de datos desequilibrados mediante SMOTEENN. Se realiza un análisis comparativo riguroso de algoritmos de ensemble learning, incluyendo Random Forest, XGBoost y Gradient Boosting, evaluando su eficacia en la predicción de cancelaciones de pedidos. El estudio profundiza en la interpretabilidad de los modelos, explorando la importancia de las características y su impacto en las decisiones de cancelación. Se discuten implicaciones teóricas sobre la generalización del modelo y su robustez frente a variaciones en los patrones de datos. Además, se abordan consideraciones éticas y de privacidad en el uso de datos de clientes para la toma de decisiones automatizada, proponiendo un marco para su implementación responsable en entornos comerciales.

INTEGRANTES:
Alvarez Cadillo Michell Adrian
Cornejo Puma Katterine de Astrid
Flores Quiliche Fernando
Henostroza Villacorta Victor Arturo
Mejia Cuba Richard Luis
Rodriguez Mallma Josef Renato

INFORME FINAL DIAPOSITIVA DATASET 2023: DATASET 2024: NOTEBOOKS:

Tema: Aplicación de Modelos de Clasificación de Machine Learning para la Predicción de Apendicitis Utilizando Datos Clínicos
Maestría en Inteligencia Artificial - Machine Learning

Integrantes:
- Alvarez Cadillo, Michell Adrian
- Flores Quiliche, Fernando
- Henostroza Villacorta, Victor Arturo
- Mejía Cuba, Richard Luis
- Rodriguez Mallma, Josef Renato
- Cornejo Puma, Katterine de Astrid

Resumen:
El presente trabajo aborda la problemática del diagnóstico preciso de la apendicitis aguda, una condición médica que puede presentar una amplia variabilidad en su manifestación clínica y hallazgos radiológicos. El estudio propone el uso de modelos de machine learning como una solución potencial para mejorar la precisión diagnóstica, acelerando el proceso y minimizando complicaciones asociadas a diagnósticos erróneos o tardíos. Utilizando el conjunto de datos "Regensburg Pediatric Appendicitis" del repositorio de UCI Machine Learning, que incluye variables demográficas, medidas antropométricas, síntomas clínicos y resultados de pruebas de laboratorio, se desarrollaron y compararon varios modelos de clasificación. Entre los algoritmos evaluados se encuentran la Regresión Logística, K Nearest Neighbors (KNN), Árbol de Decisión, Bosques Aleatorios, Máquinas de Soporte Vectorial (SVM), XGBoost, AdaBoost, LightGBM, CatBoost y Naive Bayes.

Tema: Aplicación de Modelos de Clasificación de Machine Learning para la Predicción de Apendicitis Utilizando Datos Clínicos
Maestría en Inteligencia Artificial - Machine Learning

Integrantes:
- Alvarez Cadillo, Michell Adrian
- Flores Quiliche, Fernando
- Henostroza Villacorta, Victor Arturo
- Mejía Cuba, Richard Luis
- Rodriguez Mallma, Josef Renato
- Cornejo Puma, Katterine de Astrid

Resumen:
El presente trabajo aborda la problemática del diagnóstico preciso de la apendicitis aguda, una condición médica que puede presentar una amplia variabilidad en su manifestación clínica y hallazgos radiológicos. El estudio propone el uso de modelos de machine learning como una solución potencial para mejorar la precisión diagnóstica, acelerando el proceso y minimizando complicaciones asociadas a diagnósticos erróneos o tardíos. Utilizando el conjunto de datos "Regensburg Pediatric Appendicitis" del repositorio de UCI Machine Learning, que incluye variables demográficas, medidas antropométricas, síntomas clínicos y resultados de pruebas de laboratorio, se desarrollaron y compararon varios modelos de clasificación. Entre los algoritmos evaluados se encuentran la Regresión Logística, K Nearest Neighbors (KNN), Árbol de Decisión, Bosques Aleatorios, Máquinas de Soporte Vectorial (SVM), XGBoost, AdaBoost, LightGBM, CatBoost y Naive Bayes.