Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas

Trabajo de investigación tecnológica

Autores:
Silva-Morales, Miguel Andrés
Tipo de recurso:
Article of investigation
Fecha de publicación:
2021
Institución:
Universidad Católica de Colombia
Repositorio:
RIUCaC - Repositorio U. Católica
Idioma:
spa
OAI Identifier:
oai:repository.ucatolica.edu.co:10983/26256
Acceso en línea:
https://hdl.handle.net/10983/26256
Palabra clave:
MODELO DE DATOS
PATRONES
TWITTER
APIS
JSON
CSV
DATASET
ALGORITMOS DE CLASIFICACIÓN
MACHINE LEARNING
Rights
openAccess
License
Copyright-Universidad Católica de Colombia, 2021
id UCATOLICA2_0a79876281294c8905b939bb0ebe706e
oai_identifier_str oai:repository.ucatolica.edu.co:10983/26256
network_acronym_str UCATOLICA2
network_name_str RIUCaC - Repositorio U. Católica
repository_id_str
dc.title.spa.fl_str_mv Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas
title Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas
spellingShingle Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas
MODELO DE DATOS
PATRONES
TWITTER
APIS
JSON
CSV
DATASET
ALGORITMOS DE CLASIFICACIÓN
MACHINE LEARNING
title_short Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas
title_full Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas
title_fullStr Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas
title_full_unstemmed Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas
title_sort Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas
dc.creator.fl_str_mv Silva-Morales, Miguel Andrés
dc.contributor.advisor.none.fl_str_mv González-González, Cesar Orlando
dc.contributor.author.none.fl_str_mv Silva-Morales, Miguel Andrés
dc.subject.lemb.none.fl_str_mv MODELO DE DATOS
topic MODELO DE DATOS
PATRONES
TWITTER
APIS
JSON
CSV
DATASET
ALGORITMOS DE CLASIFICACIÓN
MACHINE LEARNING
dc.subject.proposal.spa.fl_str_mv PATRONES
TWITTER
APIS
JSON
CSV
DATASET
ALGORITMOS DE CLASIFICACIÓN
MACHINE LEARNING
description Trabajo de investigación tecnológica
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2021-07-14T13:18:00Z
dc.date.available.none.fl_str_mv 2021
2021-07-14T13:18:00Z
dc.date.issued.none.fl_str_mv 2021
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_fa2ee174bc00049f
http://purl.org/coar/version/c_71e4c1898caa6e32
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.content.spa.fl_str_mv Text
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
format http://purl.org/coar/resource_type/c_2df8fbb1
dc.identifier.citation.none.fl_str_mv Silva-Morales, M. A. (2021). Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas. Trabajo de Grado. Universidad Católica de Colombia. Facultad de Ingeniería. Programa de Ingeniería de Sistemas. Bogotá, Colombia
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10983/26256
identifier_str_mv Silva-Morales, M. A. (2021). Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas. Trabajo de Grado. Universidad Católica de Colombia. Facultad de Ingeniería. Programa de Ingeniería de Sistemas. Bogotá, Colombia
url https://hdl.handle.net/10983/26256
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv ucatolica.edu.co [en línea] Universidad en cifras <https://www.ucatolica.edu.co/portal/nuestra-universidad/universidad-en-cifras/>
redicces.org.sv [en línea] Lilian Judith Sandoval, Algoritmos de aprendizaje automático para análisis y predicción de datos <http://redicces.org.sv/jspui/handle/10972/3626>
twitter.com [En Línea] cuenta @UcatolicaCol <https://twitter.com/UCatolicaCol>
tweepy.org [en línea] Tweepy <https://www.tweepy.org/>
aws.amazon.com [en línea] AWS SageMaker <https://aws.amazon.com/es/sagemaker/>
mpmsoftware.com [en línea] mpm insurance Software Solutions <https://www.mpmsoftware.com/es/blog/redes-sociales-definicion-y caracteristicas/>
keepcoding.io [en línea] KEEPCODING Tech School <https://keepcoding.io/blog/que-son-datasets/>
iberdrola.com [en línea] IBERDROLA IA <https://www.iberdrola.com/innovacion/que-es-inteligencia-artificial>
aws.amazon.com [en línea] What is AWS? <https://aws.amazon.com/es/what-isaws/? nc1=f_cc>
aws.amazon.com [en línea] AWS What is cloud computing? <https://aws.amazon.com/es/what-is-cloud-computing/?nc1=f_cc>
aws.amazon.com [en línea] AWS What is Devops? <https://aws.amazon.com/es/devops/what-is-devops/?nc1=f_cc>
python.org [en línea] Python <https://www.python.org/>
redhat.com [en línea] RedHat <https://www.redhat.com/es/topics/api/what-areapplication- programminginterfaces#:~: text=Una%20API%20es%20un%20conjunto,de%20saber%20 80 c%C3%B3mo%20est%C3%A1n%20implementados.>
virtual.cuautitlan.unam.mx [en línea] Hernández Sampieri y Mendoza, 2008 <https://virtual.cuautitlan.unam.mx/rudics/?p=2612>
Hernández, Fernández y Baptista, 2003. Metodología de la Investigación
dev.twitter.com [en línea] Doc. Twitter <https://dev.twitter.com/docs>
tweepy.readthedocs.io [en línea] Tweepy read the docs <http://tweepy.readthedocs.io/en/v3.5.0/>
apps.twitter.com [en línea] Twitter Apps <https://apps.twitter.com/>
w3schools.com [en línea] Write file in Python <https://www.w3schools.com/python/python_file_write.asp>
docs.python.org [en línea] Python Docs <https://docs.python.org/3/>
pandas.pydata.org [en línea] Pandas <https://pandas.pydata.org/docs/pandas.pdf>
pypi.org [en línea] flatten-json <https://pypi.org/project/flatten-json/>
aprendeia.com [en línea] Algoritmos de Clasificación <https://aprendeia.com/diferencia-entre-algoritmos-de-clasificacion-yregresion/#:~: text=Los%20algoritmos%20de%20clasificaci%C3%B3n%20se,conju nto%20finito%20de%20resultados%20posibles.>
saedsayad.com [en línea] kneighbors <http://www.saedsayad.com/k_nearest_neighbors.htm>
link.springer.com [en línea] RandomForest <https://link.springer.com/chapter/10.1007/978-1-4419-9326-7_5>
scikit-learn.org [en línea] Framework scikit-learn <https://scikitlearn. org/stable/getting_started.html>
Peter Lang. Studien zur romanischen sprachwissenshcaft und interkulturellen kommunikation – Internationaler verlag der Wissencharften – Chapter 2 Page 101
bookdown.org [en línea] Métodos de clasificación <https://bookdown.org/content/2274/metodos-de-clasificacion.html> 81
scielo.conicyt.cl [en línea] Clasificación automática de textos usando redes de palabras <https://scielo.conicyt.cl/pdf/signos/v47n86/a01.pdf>
scielo.org.co [en línea] Análisis de sentimientos, mediante ML <http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S2215- 910X2021000100001>
scikit-learn.org [en línea] RandomForest with scikit-learn <https://scikitlearn. org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html >
help.twitter.com [en línea] API de Twitter <https://help.twitter.com/es/rulesand- policies/twitterapi#:~: text=Para%20compartir%20informaci%C3%B3n%20en%20Twitter,interface s%20de%20programaci%C3%B3n%20de%20aplicaciones).>
Pramod Gupta, Naresh K. Sehgal. Introduction to Machine Learning in the Cloud with Python – Concepts and Practice – Part 2 Page 68, 69
dc.rights.spa.fl_str_mv Copyright-Universidad Católica de Colombia, 2021
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.creativecommons.spa.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.spa.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
rights_invalid_str_mv Copyright-Universidad Católica de Colombia, 2021
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 81 páginas
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad Católica de Colombia
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.place.spa.fl_str_mv Bogotá
dc.publisher.program.spa.fl_str_mv Ingeniería de Sistemas y Computación
institution Universidad Católica de Colombia
bitstream.url.fl_str_mv https://repository.ucatolica.edu.co/bitstreams/06de64be-c408-4029-abd6-1820c3394a63/download
https://repository.ucatolica.edu.co/bitstreams/8cf0a71c-7e66-45db-ac55-1dc55bde8f31/download
https://repository.ucatolica.edu.co/bitstreams/7dd47435-4018-43d8-9144-7d5a0a6c2d64/download
https://repository.ucatolica.edu.co/bitstreams/a0c51d61-de40-487e-8da7-1657719bfd21/download
https://repository.ucatolica.edu.co/bitstreams/849346bf-fea0-4483-a07e-42122e79a45a/download
https://repository.ucatolica.edu.co/bitstreams/dd41db3d-40b2-45a1-99b9-2a3dac786fb5/download
bitstream.checksum.fl_str_mv f4351eb3c79ed890ab4dd96b316001dd
3e3c65abfb889ff1810bd75f905b0ff6
1c55056e9985baf4ac3412a81f2bbb7b
6383b9ef85bd018533c816e7f8a20650
5c3dd86546add32a92072fadc7bed23f
f87d62c30d1e111178172684ffb6f364
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Católica de Colombia - RIUCaC
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1814256400988110848
spelling González-González, Cesar Orlandof2642d24-21ff-4526-ab63-4d5cc27fa7fb-1Silva-Morales, Miguel Andrés8f9e8c1b-0a58-48d2-8d49-0e6ddbad4d11-12021-07-14T13:18:00Z20212021-07-14T13:18:00Z2021Trabajo de investigación tecnológicaEl presente trabajo propone el diseño de un modelo de datos, que permita identificar y predecir pasatiempos y afinidades académicas a partir de la detección de patrones. La extracción de la información tiene como fuente la cuenta oficial de Twitter de la Universidad Católica de Colombia (“@UCatolicaCol”). Este modelo de datos permite detectar, clasificar, cuantificar y predecir gustos personales.PregradoIngeniero de SistemasRESUMEN INTRODUCCIÓN 1. PLANTEAMIENTO DEL PROBLEMA 2. OBJETIVOS 3. JUSTIFICACIÓN 4. ALCANCE Y LIMITACIONES 5. MARCO REFERENCIAL 6. METODOLOGÍA 7. DESARROLLO DE LA PROPUESTA 8. ANÁLISIS DE RESULTADOS 9. CONCLUSIONES 10. ANEXOS 11. BIBLIOGRAFÍA81 páginasapplication/pdfSilva-Morales, M. A. (2021). Modelo de datos para la detección y predicción de pasatiempos y afinidades académicas. Trabajo de Grado. Universidad Católica de Colombia. Facultad de Ingeniería. Programa de Ingeniería de Sistemas. Bogotá, Colombiahttps://hdl.handle.net/10983/26256spaUniversidad Católica de ColombiaFacultad de IngenieríaBogotáIngeniería de Sistemas y Computaciónucatolica.edu.co [en línea] Universidad en cifras <https://www.ucatolica.edu.co/portal/nuestra-universidad/universidad-en-cifras/>redicces.org.sv [en línea] Lilian Judith Sandoval, Algoritmos de aprendizaje automático para análisis y predicción de datos <http://redicces.org.sv/jspui/handle/10972/3626>twitter.com [En Línea] cuenta @UcatolicaCol <https://twitter.com/UCatolicaCol>tweepy.org [en línea] Tweepy <https://www.tweepy.org/>aws.amazon.com [en línea] AWS SageMaker <https://aws.amazon.com/es/sagemaker/>mpmsoftware.com [en línea] mpm insurance Software Solutions <https://www.mpmsoftware.com/es/blog/redes-sociales-definicion-y caracteristicas/>keepcoding.io [en línea] KEEPCODING Tech School <https://keepcoding.io/blog/que-son-datasets/>iberdrola.com [en línea] IBERDROLA IA <https://www.iberdrola.com/innovacion/que-es-inteligencia-artificial>aws.amazon.com [en línea] What is AWS? <https://aws.amazon.com/es/what-isaws/? nc1=f_cc>aws.amazon.com [en línea] AWS What is cloud computing? <https://aws.amazon.com/es/what-is-cloud-computing/?nc1=f_cc>aws.amazon.com [en línea] AWS What is Devops? <https://aws.amazon.com/es/devops/what-is-devops/?nc1=f_cc>python.org [en línea] Python <https://www.python.org/>redhat.com [en línea] RedHat <https://www.redhat.com/es/topics/api/what-areapplication- programminginterfaces#:~: text=Una%20API%20es%20un%20conjunto,de%20saber%20 80 c%C3%B3mo%20est%C3%A1n%20implementados.>virtual.cuautitlan.unam.mx [en línea] Hernández Sampieri y Mendoza, 2008 <https://virtual.cuautitlan.unam.mx/rudics/?p=2612>Hernández, Fernández y Baptista, 2003. Metodología de la Investigacióndev.twitter.com [en línea] Doc. Twitter <https://dev.twitter.com/docs>tweepy.readthedocs.io [en línea] Tweepy read the docs <http://tweepy.readthedocs.io/en/v3.5.0/>apps.twitter.com [en línea] Twitter Apps <https://apps.twitter.com/>w3schools.com [en línea] Write file in Python <https://www.w3schools.com/python/python_file_write.asp>docs.python.org [en línea] Python Docs <https://docs.python.org/3/>pandas.pydata.org [en línea] Pandas <https://pandas.pydata.org/docs/pandas.pdf>pypi.org [en línea] flatten-json <https://pypi.org/project/flatten-json/>aprendeia.com [en línea] Algoritmos de Clasificación <https://aprendeia.com/diferencia-entre-algoritmos-de-clasificacion-yregresion/#:~: text=Los%20algoritmos%20de%20clasificaci%C3%B3n%20se,conju nto%20finito%20de%20resultados%20posibles.>saedsayad.com [en línea] kneighbors <http://www.saedsayad.com/k_nearest_neighbors.htm>link.springer.com [en línea] RandomForest <https://link.springer.com/chapter/10.1007/978-1-4419-9326-7_5>scikit-learn.org [en línea] Framework scikit-learn <https://scikitlearn. org/stable/getting_started.html>Peter Lang. Studien zur romanischen sprachwissenshcaft und interkulturellen kommunikation – Internationaler verlag der Wissencharften – Chapter 2 Page 101bookdown.org [en línea] Métodos de clasificación <https://bookdown.org/content/2274/metodos-de-clasificacion.html> 81scielo.conicyt.cl [en línea] Clasificación automática de textos usando redes de palabras <https://scielo.conicyt.cl/pdf/signos/v47n86/a01.pdf>scielo.org.co [en línea] Análisis de sentimientos, mediante ML <http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S2215- 910X2021000100001>scikit-learn.org [en línea] RandomForest with scikit-learn <https://scikitlearn. org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html >help.twitter.com [en línea] API de Twitter <https://help.twitter.com/es/rulesand- policies/twitterapi#:~: text=Para%20compartir%20informaci%C3%B3n%20en%20Twitter,interface s%20de%20programaci%C3%B3n%20de%20aplicaciones).>Pramod Gupta, Naresh K. Sehgal. Introduction to Machine Learning in the Cloud with Python – Concepts and Practice – Part 2 Page 68, 69Copyright-Universidad Católica de Colombia, 2021info:eu-repo/semantics/openAccessAtribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/http://purl.org/coar/access_right/c_abf2MODELO DE DATOSPATRONESTWITTERAPISJSONCSVDATASETALGORITMOS DE CLASIFICACIÓNMACHINE LEARNINGModelo de datos para la detección y predicción de pasatiempos y afinidades académicasTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/version/c_fa2ee174bc00049fhttp://purl.org/coar/version/c_71e4c1898caa6e32PublicationORIGINALModelo de datos para la detección y predicción de pasatiempos y afinidades académicas_V5.pdfModelo de datos para la detección y predicción de pasatiempos y afinidades académicas_V5.pdfapplication/pdf3635829https://repository.ucatolica.edu.co/bitstreams/06de64be-c408-4029-abd6-1820c3394a63/downloadf4351eb3c79ed890ab4dd96b316001ddMD51F-010-GB-008_RESUMEN_ANALÍTICO_EN_EDUCACIÓN_RAE_VS_01.pdfF-010-GB-008_RESUMEN_ANALÍTICO_EN_EDUCACIÓN_RAE_VS_01.pdfapplication/pdf530033https://repository.ucatolica.edu.co/bitstreams/8cf0a71c-7e66-45db-ac55-1dc55bde8f31/download3e3c65abfb889ff1810bd75f905b0ff6MD52TEXTModelo de datos para la detección y predicción de pasatiempos y afinidades académicas_V5.pdf.txtModelo de datos para la detección y predicción de pasatiempos y afinidades académicas_V5.pdf.txtExtracted texttext/plain98883https://repository.ucatolica.edu.co/bitstreams/7dd47435-4018-43d8-9144-7d5a0a6c2d64/download1c55056e9985baf4ac3412a81f2bbb7bMD53F-010-GB-008_RESUMEN_ANALÍTICO_EN_EDUCACIÓN_RAE_VS_01.pdf.txtF-010-GB-008_RESUMEN_ANALÍTICO_EN_EDUCACIÓN_RAE_VS_01.pdf.txtExtracted texttext/plain9902https://repository.ucatolica.edu.co/bitstreams/a0c51d61-de40-487e-8da7-1657719bfd21/download6383b9ef85bd018533c816e7f8a20650MD55THUMBNAILModelo de datos para la detección y predicción de pasatiempos y afinidades académicas_V5.pdf.jpgModelo de datos para la detección y predicción de pasatiempos y afinidades académicas_V5.pdf.jpgRIUCACimage/jpeg11227https://repository.ucatolica.edu.co/bitstreams/849346bf-fea0-4483-a07e-42122e79a45a/download5c3dd86546add32a92072fadc7bed23fMD54F-010-GB-008_RESUMEN_ANALÍTICO_EN_EDUCACIÓN_RAE_VS_01.pdf.jpgF-010-GB-008_RESUMEN_ANALÍTICO_EN_EDUCACIÓN_RAE_VS_01.pdf.jpgRIUCACimage/jpeg17851https://repository.ucatolica.edu.co/bitstreams/dd41db3d-40b2-45a1-99b9-2a3dac786fb5/downloadf87d62c30d1e111178172684ffb6f364MD5610983/26256oai:repository.ucatolica.edu.co:10983/262562023-03-24 17:51:57.834https://creativecommons.org/licenses/by-nc/4.0/Copyright-Universidad Católica de Colombia, 2021https://repository.ucatolica.edu.coRepositorio Institucional Universidad Católica de Colombia - RIUCaCbdigital@metabiblioteca.com

Publicaciones similares