Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad


matematicas,programacion, Apuntes de Matemáticas

es muy bueno tienes que verlo gracias

Tipo: Apuntes

2024/2025

Subido el 30/08/2025

andy-ipanaque
andy-ipanaque 🇦🇷

1 documento

1 / 4

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
TRABAJO FINAL
1. DATOS DEL ESTUDIANTE
Apellidos y Nombres: [Tu nombre completo]
ID: [Tu ID]
Dirección Zonal/CFP: [Tu sede]
Carrera: Ingeniería de Software
Semestre: [Tu semestre]
Curso/Módulo Formativo: PIAD-425 – Módulos y Paquetes para Machine
Learning con Python
Tema de Trabajo Final: Aplicación de Módulos y Paquetes en Python para
Machine Learning en un Contexto Empresarial
2. INFORMACIÓN
Identificación de la problemática
Una empresa de análisis de datos financieros desea optimizar sus
predicciones de mercado mediante técnicas de Machine Learning.
Actualmente, procesan grandes volúmenes de datos en formato CSV sin
contar con un flujo estandarizado de preprocesamiento, análisis y
visualización. Además, buscan incorporar modelos de aprendizaje
automático y profundo, así como técnicas de procesamiento de lenguaje
natural (NLP), para mejorar la precisión en la toma de decisiones.
Propuesta de solución y evidencias
- Usar Pandas y Numpy para la manipulación y limpieza de datos
financieros.
- Aplicar modelos de Scikit-learn y PyTorch para clasificación y predicción de
tendencias.
- Implementar técnicas de NLP con NLTK y SciPy para extraer información
de reportes financieros.
- Desarrollar una red neuronal con TensorFlow/Keras para series
temporales.
- Visualizar resultados mediante Matplotlib y Seaborn (gráficos de
tendencias, histogramas y dispersión).
- Usar datasets de acceso abierto (ejemplo: Kaggle).
pf3
pf4

Vista previa parcial del texto

¡Descarga matematicas,programacion y más Apuntes en PDF de Matemáticas solo en Docsity!

TRABAJO FINAL

1. DATOS DEL ESTUDIANTE

Apellidos y Nombres: [Tu nombre completo] ID: [Tu ID] Dirección Zonal/CFP: [Tu sede] Carrera: Ingeniería de Software Semestre: [Tu semestre] Curso/Módulo Formativo: PIAD-425 – Módulos y Paquetes para Machine Learning con Python Tema de Trabajo Final: Aplicación de Módulos y Paquetes en Python para Machine Learning en un Contexto Empresarial

2. INFORMACIÓN

Identificación de la problemática

Una empresa de análisis de datos financieros desea optimizar sus predicciones de mercado mediante técnicas de Machine Learning. Actualmente, procesan grandes volúmenes de datos en formato CSV sin contar con un flujo estandarizado de preprocesamiento, análisis y visualización. Además, buscan incorporar modelos de aprendizaje automático y profundo, así como técnicas de procesamiento de lenguaje natural (NLP), para mejorar la precisión en la toma de decisiones.

Propuesta de solución y evidencias

  • Usar Pandas y Numpy para la manipulación y limpieza de datos financieros.
  • Aplicar modelos de Scikit-learn y PyTorch para clasificación y predicción de tendencias.
  • Implementar técnicas de NLP con NLTK y SciPy para extraer información de reportes financieros.
  • Desarrollar una red neuronal con TensorFlow/Keras para series temporales.
  • Visualizar resultados mediante Matplotlib y Seaborn (gráficos de tendencias, histogramas y dispersión).
  • Usar datasets de acceso abierto (ejemplo: Kaggle).

Respuestas a las preguntas guía

  1. Pandas y Numpy permiten gestionar grandes volúmenes de datos mediante estructuras eficientes como DataFrame y ndarray, optimizando operaciones de filtrado, agregación, limpieza y transformación de datos financieros.
  2. Se pueden aplicar modelos de regresión logística, árboles de decisión, Random Forest, SVM y redes neuronales. También técnicas de validación cruzada y ajuste de hiperparámetros.
  3. NLP permite tokenización, análisis de sentimiento y extracción de entidades (NER) en reportes financieros, para obtener indicadores clave y medir impacto de noticias.
  4. Deep Learning permite modelar relaciones complejas en los datos y realizar predicciones más precisas, apoyando decisiones empresariales estratégicas.
  5. Matplotlib y Seaborn permiten construir gráficos estadísticos avanzados para interpretar tendencias y patrones financieros.

3. PLANIFICACIÓN DEL TRABAJO

Cronograma de actividades

N° Actividad Cronograma 1 Recolección del dataset (Kaggle) Semana 1 2 Limpieza y transformación de datos con Pandas/Numpy Semana 2 3 Implementación de modelos ML (Scikit- learn) Semana 3 4 Análisis NLP de reportes financieros Semana 4 5 Desarrollo de red neuronal (TensorFlow/Keras) Semana 5 6 Generación de Semana 6

6. CONTROLAR

Lista de verificación: ¿Se identificó claramente la problemática? ✅ ¿Se desarrollaron los requerimientos? ✅ ¿Se respondieron las preguntas guía? ✅ ¿Se elaboró cronograma? ✅ ¿Se listaron los recursos necesarios? ✅ ¿Se ejecutó la propuesta? ✅ ¿Se describieron operaciones/pasos? ✅ ¿Se consideraron normativas técnicas, seguridad y medio ambiente? ✅ ¿La propuesta es pertinente? ✅ ¿Se evaluó viabilidad? ✅

7. VALORAR

Criterio de evaluación Descripción Puntaje Máx. Puntaje Identificación del problema Claridad en la identificación

Relevancia de la propuesta Responde al problema planteado

Viabilidad técnica Factible con los recursos disponibles

Cumplimiento de normas Respeta normas técnicas, seguridad y medio ambiente

Total 20 20