-
1دورية أكاديمية
المساهمون: González-González, Cesar Orlando
مصطلحات موضوعية: PRUEBAS DE CONOCIMIENTOS- PREDICCIÓN, ANÁLISIS DE REGRESIÓN, MEDICIONES Y PRUEBAS EDUCATIVAS- PREDICCIONES- BOGOTÁ (COLOMBIA), APRENDIZAJE SUPERVISADO (APRENDIZAJE AUTOMÁTICO), ALGORITMOS, ESCUELAS SECUNDARIAS- EXÁMENES- BOGOTÁ (COLOMBIA), 620 - Ingeniería y operaciones afines, Machine learning, Saber 11, Aprendizaje en machine learning, Árbol de regresión, Árbol de regresión lineal múltiple, Entrenamiento, Evaluación en machine learning, Inteligencia artificial, Python, Caracterización
جغرافية الموضوع: Bogotá
وصف الملف: 108 páginas; application/pdf
العلاقة: “FACULTAD DE CIENCIAS ECONÓMICAS, ADMINISTRATIVAS Y EMPRESARIALES CARRERA DE NEGOCIOS INTERNACIONALES.” “manual_nuevas_tecnologias_tm”. “Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas_V5”.; Aguiar, E., Lakkaraju, H., Bhanpuri, N., Miller, D., Yuhas, B., & Addison, K. L. (2015, March). Who, when, and why: A machine learning approach to prioritizing students at risk of not graduating high school on time. In Proceedings of the Fifth International Conference on Learning Analytics And Knowledge (pp. 93-102).; AlQuraishi, M. (2021). Machine learning in protein structure prediction. Current opinion in chemical biology, 65, 1-8.; Ardila, J. C. H., & Peña, C. C. R. (2022). Implementación de un prototipo para la detección de rostros utilizando el lenguaje de programación Python: Prototype for face detection using the Python programming language. Tecnología Investigación y Academia, 10(1), 200-210.; Artacho Gómez, C. (2021). Desarrollo y aplicación de técnicas de Machine Learning para la predicción de contagios por Covid-19.; Avecillas, D. X. A., & Lozano, C. P. P. (2016). Medición de la confiabilidad del aprendizaje del programa RStudio Mediante Alfa de Cronbach. Revista Politécnica, 37(1), 68-68.; Berens, J., Schneider, K., Görtz, S., Oster, S., & Burghoff, J. (2018). Early detection of students at risk–predicting student dropouts using administrative student data and machine learning methods. Available at SSRN 3275433.; Challenger-Pérez, I., Díaz-Ricardo, Y., & Becerra-García, R. A. (2014). El lenguaje de programación Python. Ciencias Holguín, 20(2), 1-13.; Chauhan, R. K., Saharan, R., Singh, S., & Sharma, P. (2020). Automated content grading using machine learning; Chung, J. Y., & Lee, S. (2019). Dropout early warning systems for high school students using machine learning. Children and Youth Services Review, 96, 346- 353.; Costa-Mendes, R., Cruz-Jesus, F., Oliveira, T., & Castelli, M. (2021). Machine learning bias in predicting high school grades. Emerging Science Journal, 5(5), 576-597.; Costa-Mendes, R., Oliveira, T., Castelli, M., & Cruz-Jesus, F. (2021). A machine learning approximation of the 2015 Portuguese high school student grades: A hybrid approach. Education and Information Technologies, 26(2), 1527-1547.; Dick, S. (2019). Artificial intelligence.; E. Cano Rodriguez, I. Soto, H. Alexander, and R. Garcia, “Práctica Pedagógica Mediada por TIC para Mejorar el Proceso Lector en inglés,” 2018.; Esteban Nieto, N. (2018). Tipos de investigación.; F. de Mecánica. (2022). Detección de fallos en mantenimiento predictivo utilizando el método de aprendizaje de máquina random forest.; G. Cano et al., “PREDICTIVE MAINTENANCE USING MACHINE LEARNING TECHNIQUES.”; Galhardi, L. B., & Brancher, J. D. (2018). Machine learning approach for automatic short answer grading: A systematic review. In Ibero-american conference on artificial intelligence (pp. 380-391). Springer, Cham.; Gallego Alcaide, D. (2018). SocialTracker: Herramienta Api (Bachelor's thesis, Universitat Politècnica de Catalunya).; Golino, H. F., Gomes, C. M. A., & Andrade, D. (2014). Predicting academic achievement of high-school students using machine learning. Psychology, 5(18), 2046.; Gutiérrez Villaverde, H., Linares Barbero, M., Agüero Correa, A., & Pérez Nuñez, J. (2022). Predicción de rendimiento académico de alumnos usando machine learning.; Hussain, M., Zhu, W., Zhang, W., Abidi, S. M. R., & Ali, S. (2019). Using machine learning to predict student difficulties from learning session data. Artificial Intelligence Review, 52(1), 381-407.; Ingry-Nathaly Salamanca R, Edgar Junior C., (2021), Técnicas de aprendizaje automático aplicadas en los sistemas de predicción. Tecnol.Investig. Academia TIA, ISSN: 2344-8288, 8 (1), pp. 39-53. Bogotá-Colombia; Kotsiantis, S. B. (2012). Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades. Artificial Intelligence Review, 37(4), 331-344.; Kotsiantis, S., Pierrakeas, C., & Pintelas, P. (2004). Predicting students'performance in distance learning using machine learning techniques. Applied Artificial Intelligence, 18(5), 411-426.; L. K. Ávila Palacio, E. Ospino Gutiérrez, and A. J. Páez Reales, “Análisis de resultados de las pruebas saber 11 implementando técnicas de minería de datos.,” Nov. 2021, Accessed: Oct. 28, 2022. [Online]. Available: https://manglar.uninorte.edu.co/handle/10584/9877#page=1Test; Lakkaraju, H., Aguiar, E., Shan, C., Miller, D., Bhanpuri, N., Ghani, R., & Addison, K. L. (2015, August). A machine learning framework to identify students at risk of adverse academic outcomes. In Proceedings of the 21th ACM SIGKDD international conference on knowledge discovery and data mining (pp. 1909- 1918).; Liao, S. N., Zingaro, D., Thai, K., Alvarado, C., Griswold, W. G., & Porter, L. (2019). A robust machine learning technique to predict low-performing students. ACM transactions on computing education (TOCE), 19(3), 1-19.; Linares Rosas, S. (2020). Marco teórico para tesis de mejora del error de pronóstico utilizando métodos de Machine Learning orientado al proceso de ventas de una empresa de cosméticos peruana.; M.-A. Osorio-Sanabria, F. O. Amaya-Fernández, and M. P. González-Zabala, “Políticas, normas y estrategias que fomentan los datos abiertos en Colombia: un análisis de literatura,” Revista Virtual Universidad Católica del Norte, no. 62, pp. 155–188, Jan. 2021, doi:10.35575/rvucn.n62a7.; Maranto & González (2015). Fuentes de Información. Universidad Autónoma del Estado de Hidalgo; Marcombo. Bacallao Gallestey, J., Parapar de la Riestra, J. M., Roque Gil, M., & Bacallao Guerra, J. (2004). Árboles de regresión y otras opciones metodológicas aplicadas a la predicción del rendimiento académico. Educación Médica Superior, 18(3), 1-1.; Ministerio de Educación Nacional (2022). Examen Saber 11: Guía de Orientación.; Mirjalili, V., & Raschka, S. (2020). Python machine learning.; Morantes-Quintana, G. R., Rincón-Polo, G., & Pérez-Santodomingo, N. A. (2019). Modelo de regresión lineal multiple para estimar concentración de PM1. Revista internacional de contaminación ambiental, 35(1), 179-194.; Mosquera, R., Castrillón, O. D., & Parra, L. (2018). Predicción de riesgos psicosociales en docentes de colegios públicos colombianos utilizando técnicas de Inteligencia Artificial. Información tecnológica, 29(4), 267-280.; Peláez, I. M. (2016). Modelos de regresión: lineal simple y regresión logística. Revista Seden, 14, 195-214.; Philippou, N., Ajoodha, R., & Jadhav, A. (2020, November). Using machine learning techniques and matric grades to predict the success of f irst year university students. In 2020 2nd international multidisciplinary information technology and engineering conference (IMITEC) (pp. 1-5). IEEE.; R. Universidad Pedagógica y Tecnológica de Colombia. Facultad Seccional Duitama, X. Caicedo, and A. Hidalgo Troya, Revista de investigación, desarrollo e innovación., vol. 9, no. 2. Universidad Pedagógica y Tecnológica de Colombia, 2019. Accessed: Oct. 30, 2022. [Online]. Available: https://dialnet.unirioja.es/servlet/articulo?codigo=6976577Test; Rastrollo-Guerrero, J. L., Gómez-Pulido, J. A., & Durán-Domínguez, A. (2020). Analyzing and predicting students’ performance by means of machine learning: A review. Applied sciences, 10(3), 1042.; Ren, Z., Xin, Y., Ge, J., Zhao, Z., Liu, D., Ho, R. C., & Ho, C. S. (2021). Psychological impact of COVID-19 on college students after school reopening: a cross-sectional study based on machine learning. Frontiers in Psychology, 12, 641806.; Rodríguez, D. F. M. (2016). Algunos factores que influyen en los resultados de las pruebas estandarizadas y censales. Boletín Redipe, 5(3), 136-145.; Rojas E.M. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo.; Sánchez, A y Otero, A. (2012). Educación y Reproducción de la Desigualdad en Colombia. En: Reportes del Emisor, S.Vol., No. 154, Marzo, 2012; Sandoval Serrano, L. J. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. Revista Tecnológica; no. 11.; Sandra, L., Lumbangaol, F., & Matsuo, T. (2021). Machine learning algorithm to predict student’s performance: a systematic literature review. TEM Journal, 10(4), 1919-1927.; Santos, V. D., Verspoor, M., & Nerbonne, J. (2012). Identifying important factors in essay grading using machine learning. International experiences in language testing and assessment—Selected papers in memory of Pavlos Pavlou, 295-309.; Sara, N. B., Halland, R., Igel, C., & Alstrup, S. (2015). High-school dropout prediction using machine learning: A Danish large-scale study. In ESANN 2015 proceedings, European Symposium on Artificial Neural Networks, Computational Intelligence (pp. 319-24).; Schiattino Lemus, I., & Silva Zamora, C. (2008). Árboles de clasificación y regresión: modelos CART. Cienc. Trab, 161-166.; Sepúlveda, J. F. D., & Morales, J. C. C. (2013). Comparación entre árboles de regresión CART y regresión lineal. Comunicaciones en Estadística, 6(2), 175- 195.; Sugiyanto, S. (2021). Predict high school students' f inal grades using basic machine learning. Journal of Applied Data Sciences, 2(1), 26-39.; Viera, Á. F. G. (2017). Técnicas de aprendizaje de máquina utilizadas para la minería de texto. Investigación bibliotecológica, 31(71), 103-126.; Von MATLAB, F. (2012). Was ist MATLAB?; Wijaya, M. C. (2021). Automatic Short Answer Grading System in Indonesian Language Using BERT Machine Learning. Rev. d'Intelligence Artif., 35(6), 503- 509.; Zamorano Ruiz, J. (2018). Comparativa y análisis de algoritmos de aprendizaje automático para la predicción del tipo predominante de cubierta arbórea.; Neita-Sánchez, A. G. & Mora-Giraldo, J. D. (2022). Uso de machine learning para la predicción de resultados de las pruebas saber 11 en el Instituto San Ricardo Pampurí. Trabajo de Grado. Universidad Católica de Colombia. Facultad de Ingeniería. Programa de Ingeniería de Sistemas. Bogotá, Colombia.; https://hdl.handle.net/10983/30242Test
-
2رسالة جامعية
المساهمون: Herrera Herrera, Héctor Manue, Alexis Plazas, Luis, Co-director
مصطلحات موضوعية: Emociones, Pedagogía - Colombia, Convivencia humana, Aprendizaje Automático, Manejo y control emocional, Estrategias pedagógicas, TIC, Convivencia, Emotional management and control, Pedagogical strategies, ICTs, Coexistence
جغرافية الموضوع: Bogotá, D.C. - Colombia
وصف الملف: PDF; application/pdf
العلاقة: http://hdl.handle.net/11371/6921Test
الإتاحة: http://hdl.handle.net/11371/6921Test
-
3رسالة جامعية
المؤلفون: Bain Loayza, Johanna Carolina
المساهمون: González Martínez, Edwin Fernando
مصطلحات موضوعية: Aprendizaje Automático, Pronóstico del tiempo, Estado atmosférico - Pronóstico, Predicciones geofísicas, Series de tiempo, Machine Learning, Precipitaciones, Pronóstico, Time series, Precipitation, Forecasting
جغرافية الموضوع: Bogotá, D.C. - Colombia
وصف الملف: PDF; application/pdf
العلاقة: http://hdl.handle.net/11371/6911Test
الإتاحة: http://hdl.handle.net/11371/6911Test
-
4تقرير
المصدر: Aiken, M. (2000). Forecasting the United States gross domestic product with a neural network. Journal of International Information Management, 9 (1), 67-75. ; Angelini, E., di Tollo, G., & Roli, A. (2008). A neural network approach for credit risk evaluation. The Quarterly Review of Economics and Finance, 48, 733-755. [doi:10.1016/j.qref.2007.04.001] ; Bańbura, M., Giannone, D., Modugno, M., & Reichlin, L. (2013). Nowcasting and the realtime data flow. In G. Elliott & A. Timmermann (Eds.), Handbook of Economic Forecasting (pp.195-237). Amsterdam: North Holland-Elsevier. ; RePEc:bdr:borrec:1037
مصطلحات موضوعية: Previsión, Redes neuronales, Pagos minoristas, NARX, Aprendizaje automático, E27 - Consumption, Saving, Production, Investment, Labor Markets, and Informal Economy: Forecasting and Simulation: Models and Application, C53 - Forecasting and Prediction Methods, Simulation Methods, C45 - Neural Networks and Related Topics, Forecasting, Machine learning, Neural networks, Retail payments, Indicadores económicos, Actividad económica, Modelos económicos, E27 - Consumo, ahorro, producción, inversión e economía informal: Predicción y simulación, Modelos y aplicación, C45 - Redes neuronales y temas relacionados, C53 - Métodos de pronóstico y predicción, métodos de simulación
جغرافية الموضوع: Bogotá
وصف الملف: 29 páginas; PDF; application/pdf
العلاقة: Documentos de Trabajo; Borradores de Economía; Borradores de Economía; No. 1037; https://doi.org/10.32468/be.1037Test; http://repositorio.banrep.gov.co/sitios/1037Test/; Clara Lia Machado Franco; Borrador 1037; https://ideas.repec.org/p/bdr/borrec/1037.htmlTest; http://hdl.handle.net/20.500.12134/6997Test; http://repositorio.banrep.gov.co/handle/20.500.12134/6997Test; Aiken, M. (2000). Forecasting the United States gross domestic product with a neural network. Journal of International Information Management, 9 (1), 67-75.; Angelini, E., di Tollo, G., & Roli, A. (2008). A neural network approach for credit risk evaluation. The Quarterly Review of Economics and Finance, 48, 733-755. [doi:10.1016/j.qref.2007.04.001]; Bańbura, M., Giannone, D., Modugno, M., & Reichlin, L. (2013). Nowcasting and the realtime data flow. In G. Elliott & A. Timmermann (Eds.), Handbook of Economic Forecasting (pp.195-237). Amsterdam: North Holland-Elsevier.; RePEc:bdr:borrec:1037
الإتاحة: https://doi.org/20.500.12134/6997Test
https://doi.org/10.32468/be.1037Test
https://doi.org/10.1016/j.qref.2007.04.001Test
http://repositorio.banrep.gov.co/handle/20.500.12134/6997Test
https://hdl.handle.net/20.500.12134/6997Test -
5تقرير
المصدر: O. Claveria, E. Monte, S. Torra, A self-organizing map analysis of survey-based agents expectations before impending shocks for model selection: The case of the 2008 nancial crisis, International Economics 146 (2016) 40-58. ; A. Jain, J. Mao, K. Mohiuddin, Arti cial neural networks: a tutorial, Computer 29 (3) (1996) 31-44. ; G. Zhang, B. E. Patuwo, M. Y. Hu, Forecasting with arti cial neural networks:: The state of the art, International Journal of Forecasting 14 (1) (1998) 35-62. ; RePEc:bdr:borrec:993
مصطلحات موضوعية: Expectativas de inflación, Aprendizaje automático, Mapas autoorganizados, Redes neuronales autorregresivas no lineales, Encuestas de expectativas, C22 - Time-Series Models, Dynamic Quantile Regressions, Dynamic Treatment Effect Models, Diffusion processes, C63 - Computational Techniques, Simulation Modeling, C45 - Neural Networks and Related Topics, E27 - Consumption, Saving, Production, Investment, Labor Markets, and Informal Economy: Forecasting and Simulation: Models and Application, C02 - Mathematical Methods, Inflation expectations, Machine learning, Self-organizing maps, Nonlinear autoregressive neural network, Expectation surveys, Economía -- Encuestas -- 2014, Petróleo -- Precios -- Encuestas -- 2014, Índice de precios al consumidor -- 2014, Pronóstico de la economía, E27 - Consumo, ahorro
جغرافية الموضوع: Bogotá
وصف الملف: 48 páginas : ilustraciones, gráficas, tablas; PDF; application/pdf
العلاقة: Documentos de Trabajo; Borradores de Economía; Borradores de Economía; No. 993; https://doi.org/10.32468/be.993Test; Borrador 993; https://ideas.repec.org/p/bdr/borrec/993.htmlTest; http://hdl.handle.net/20.500.12134/6306Test; http://repositorio.banrep.gov.co/handle/20.500.12134/6306Test; O. Claveria, E. Monte, S. Torra, A self-organizing map analysis of survey-based agents expectations before impending shocks for model selection: The case of the 2008 nancial crisis, International Economics 146 (2016) 40-58.; A. Jain, J. Mao, K. Mohiuddin, Arti cial neural networks: a tutorial, Computer 29 (3) (1996) 31-44.; G. Zhang, B. E. Patuwo, M. Y. Hu, Forecasting with arti cial neural networks:: The state of the art, International Journal of Forecasting 14 (1) (1998) 35-62.; RePEc:bdr:borrec:993
الإتاحة: https://doi.org/20.500.12134/6306Test
https://doi.org/10.32468/be.993Test
http://repositorio.banrep.gov.co/handle/20.500.12134/6306Test
https://hdl.handle.net/20.500.12134/6306Test -
6تقرير
المؤلفون: León-Rincón, Carlos Eduardo
المصدر: Anderson, P. (1999). Complexity theory and organization science. Organization Science, 10(3), 216-232. ; Arthur, W.B. (1999). Complexity and the economy. Science, 284, 107-109. ; Halkidi, M., Batistakis, Y., & Vazirgiannis, M. (2001). On clustering validation techniques. Journal of Intelligent Information Systems, 17, 107-145. ; RePEc:bdr:borrec:1022
مصطلحات موضوعية: Aglomeración, Bancos, Diversidad, Riesgo sistémico, Aprendizaje automático, C38 - Classification Methods, Cluster Analysis, Principal Components, Factor Analysis, G21 - Banks, Depository Institutions, Micro Finance Institutions, Mortgages, L22 - Firm Organization and Market Structure, L25 - Firm Performance: Size, Diversification, and Scope, Clustering, Banks, Diversity, Systemic risk, Machine learning, Sistema financiero -- Colombia, Riesgo financiero -- Colombia, Estabilidad financiera -- Colombia, Bancos -- Colombia, L25 - Rendimiento de la empresa: tamaño, diversificación y alcance de la empresa, G21 - Bancos, Instituciones de depósito
جغرافية الموضوع: Bogotá
وصف الملف: 31 páginas : gráficas, tablas; PDF; application/pdf
العلاقة: Documentos de trabajo; Borradores de Economía; Borradores de Economía; No. 1022; https://doi.org/10.32468/be.1022Test; Borrador 1022; https://ideas.repec.org/p/bdr/borrec/1022.htmlTest; http://hdl.handle.net/20.500.12134/6335Test; http://repositorio.banrep.gov.co/handle/20.500.12134/6335Test; Anderson, P. (1999). Complexity theory and organization science. Organization Science, 10(3), 216-232.; Arthur, W.B. (1999). Complexity and the economy. Science, 284, 107-109.; Halkidi, M., Batistakis, Y., & Vazirgiannis, M. (2001). On clustering validation techniques. Journal of Intelligent Information Systems, 17, 107-145.; RePEc:bdr:borrec:1022
الإتاحة: https://doi.org/20.500.12134/6335Test
https://doi.org/10.32468/be.1022Test
http://repositorio.banrep.gov.co/handle/20.500.12134/6335Test
https://hdl.handle.net/20.500.12134/6335Test -
7رسالة جامعية
المؤلفون: Molina Gómez, Nidia Isabel
المساهمون: López Jiménez, Petra Amparo, Universitat Politècnica de València. Departamento de Ingeniería Hidráulica y Medio Ambiente - Departament d'Enginyeria Hidràulica i Medi Ambient
مصطلحات موضوعية: Micro-territories, Air pollution, Air quality, Sustainable development, Machine learning, Aprendizaje automático, Desarrollo sostenible, Calidad del aire, Modelos de clasificación, Indicadores, Micro territorios, INGENIERIA HIDRAULICA
جغرافية الموضوع: east=-74.072092, north=4.710988599999999, name=Troncal Suba, Bogotá, Colòmbia
-
8رسالة جامعية
المؤلفون: Chaves Tequia, Luis Miguel
المساهمون: Posada Uribe, Luisa Fernanda, Florez Valencia, Leonardo, Parra Rodriguez, Carlos Alberto, Beltran Cortes, Ana Maria
مصطلحات موضوعية: Imágenes, Microscopia, Machine learning, Células, Algoritmos, Análisis, Images, Microscopy, Cells, Algorithms, Analysis, Maestría en analítica para la inteligencia de negocios - Tesis y disertaciones académicas, Redes neuronales (Computadores), Aprendizaje automático (Inteligencia artificial), Algoritmos (Computadores)
جغرافية الموضوع: Colombia, Cundinamarca (Colombia), Bogotá, D.C. (Bogotá, Colombia), Bogotá (Colombia)
الوقت: 2020-2021
وصف الملف: PDF; application/pdf
العلاقة: http://hdl.handle.net/10554/53721Test; instname:Pontificia Universidad Javeriana; reponame:Repositorio Institucional - Pontificia Universidad Javeriana; repourl:https://repository.javeriana.edu.coTest
-
9رسالة جامعية
المؤلفون: Restrepo Escalante, Santiago
المساهمون: Cifuentes, Aura Maria
مصطلحات موضوعية: FinTech, Inclusión financiera, Barreras de acceso, Asimetrías de información, Ampliación de mercados, Sustentabilidad financiera, Ecosistema digital, Mercado crediticio, Pagos digitales, 658.15 Gestión financiera, Servicios financieros, Tecnología de la información, Aprendizaje automático (Inteligencia artificial), Servicios bancarios - Aspectos económicos, Big data
جغرافية الموضوع: Bogotá, D.C. - Colombia
الوقت: 2019-2020
وصف الملف: 171 páginas; application/pdf
العلاقة: http://hdl.handle.net/10726/2460Test; ADM / R436r 2020; instname:Colegio de Estudios Superiores de Administración - CESA; reponame:Biblioteca Digital - CESA; repourl:https://repository.cesa.edu.coTest/
الإتاحة: http://hdl.handle.net/10726/2460Test
-
10رسالة جامعية
مصطلحات موضوعية: IA (Inteligencia Artificial), Machine Learning, 006.3 Inteligencia artificial y computación natural, Aprendizaje automático (Inteligencia artificial) - Investigaciones, Maquinaria automática - Aspectos económicos, Transformación digital, Innovaciones tecnológicas - Empresas, Países en desarrollo
جغرافية الموضوع: Bogotá, D.C. - Colombia
الوقت: 2019
وصف الملف: 40 páginas; application/pdf
العلاقة: http://hdl.handle.net/10726/4037Test; MBA / C268c 2019; instname:Colegio de Estudios Superiores de Administración - CESA; reponame:Biblioteca Digital - CESA; repourl:https://repository.cesa.edu.coTest/
الإتاحة: http://hdl.handle.net/10726/4037Test