Aplicación de tecnologías de aprendizaje automático para predecir negocios y tomar decisiones empresariales

Título:

Aplicación de tecnologías de aprendizaje automático para predecir negocios y tomar decisiones empresariales

Autor:

Joakin, Ignacio

Otros autores / Colaboradores:

 Pons, Claudia Fabiana; [ Director/a] 

Temas:

ARQUITECTURA DE SOFTWARE; INTELIGENCIA ARTIFICIAL; APRENDIZAJE AUTOMÁTICO; 

URL:

http://sedici.unlp.edu.ar/handle/10915/127018,

Palabras clave:

decisión, 

Nota de tesis:

Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2021.

Extensión:

1 archivo (2,3 MB) : il. col.

Resumen:

En la actualidad las empresas poseen una gran cantidad de información, esta información se utiliza para la toma de decisiones según diferentes perspectivas, expectativas o criterios. El manejo eficiente de información es clave para la toma de decisiones. En este trabajo se muestra como arquitecturas de software específicas, microservicios y herramientas de aprendizaje automático pueden integrarse a un sistema de gestión y ayudar en el manejo eficiente de la información agregando valor al momento de tomar decisiones.

Puede solicitar más fácilmente el ejemplar con: TES 21/18

Capítulo 1 - Toma de decisiones 
Componentes de la toma de decisiones 
Tipos de decisiones 

Capítulo 2 - Arquitectura de software en aplicaciones empresariales 
Separation of concerns - Separación de preocupaciones / arquitectura de responsabilidad única
N-tier architecture 
Arquitectura basada en microservicios (Microservices architecture) 
Stateless services architecture (Arquitectura de servicios sin estado)
Inversión de control e Inyección de dependencias
.NET Foundation 
Entity Framework 
Code-First Workflow 
Angular: 

Capítulo 3 - Machine learning (aprendizaje automático)
Surgimiento del Machine Learning 
Definición de aprendizaje automático
Algunos ejemplos que hoy utilizan algunas empresas
Pasos para crear modelos de ML 
Tipos de aprendizajes 
Aprendizaje supervisado 
Aprendizaje no supervisado 
Aprendizaje semi-supervisado 
Análisis descriptivo 
Análisis predictivo 

Capítulo 4 - Deep Learning 
¿Por qué es importante el Deep Learning hoy en día? 
Definición de redes feedforward 
Redes neuronales y la back propagación: 

Capítulo 5 – Implementación del sistema de logística de productos 
3Arquitectura de la solución 
Control de código fuente: 
Portal de manejo de productos:
Portal de ventas
Módulo de servicios 
Módulo de simulación de ventas y machine learning
Módulo de procesamiento Machine Learning. (Pronóstico de Ventas Diarias con Redes Neuronales) 
Tensor Flow
Serie temporal
Creamos la Red Neuronal Artificial 
Ejecución del módulo de Deep learning
Predicciones y movimientos de productos entre países
Modelo de Base de datos SQL Server

Capítulo 6.- Conclusión 

Capítulo 7 - Trabajos futuros y limitaciones 
Más allá del aprendizaje automático: aprendizaje profundo y sistemas adaptativos bio-inspirados 
Limitaciones del Deep learning 
Mejora del modelo de Series Temporales con Múltiples Variables y Embeddings 

Anexo 1 - Inteligencia Artificial y sus orígenes 
Orígenes de la inteligencia artificial y aprendizaje automático

Anexo 2 - Redes Neuronales
El modelo Biológico
La Neurona artificial 
Estado de activación 
Conexiones entre neuronas
Algoritmo de aprendizaje de perceptrones
Neuronas Sigmoides 

Anexo 3 - Big Data y Data mining
Diferencia entre sistemas convencionales y sistemas basados en big data
Big Data y Data Science 

Bibliografía 

Páginas de referencia 
4Cursos on-line