Gerencia de Tecnologías de Información

URI permanente para esta colecciónhttp://54.81.141.168/handle/123456789/170390

Explorar

Filtros

20211

Ajustes

Autorsearch.filters.applied.operator.equals: search.filters.author.Mendoza Bernedo, Juan FranciscoTemasearch.filters.applied.operator.equals: search.filters.subject.Inteligencia artificial

Resultados de Búsqueda

Mostrando 1 - 1 de 1
  • No hay miniatura disponible
    ÍtemTexto completo enlazado
    Identificación de obras urbanas para la ciudad de Lima a través del uso de herramientas basadas en Machine Learning
    (Pontificia Universidad Católica del Perú, 2021-11-17) Mendoza Bernedo, Juan Francisco; Saldaña Bustamante, Fernando Jesus; Vivanco Yovera, Rocio Susana; Negron Naldos, Luis Alfredo
    La presente investigación tiene como objetivo utilizar la tecnología basada en machine learning, para la identificación de obras urbanas en la ciudad de Lima. La posibilidad de extraer y analizar información de medios sociales mediante el análisis de sentimientos, también conocido como minería de opinión (opinion mining), es, para Liu (2015), un campo de estudio que se centra en analizar las opiniones que expresan o implican sentimientos positivos o negativos. Para abordar esta problemática se propone un modelo para la clasificación de mensajes de Twitter de forma automática, a fin de comprender cuál es la intención que tiene el usuario cuando publica un mensaje sobre las obras urbanas en la ciudad de Lima, en especial pistas, parques y veredas, además de identificar la ubicación de estas obras en sus diferentes distritos. La investigación permitió reconocer patrones de comportamiento que son de gran importancia para la Municipalidad de Lima, debido a que, al tener identificada la problemática de las obras urbanas por distritos, podrá plantear estrategias para priorizar obras de manera anticipada y así poder planificarlas para su ejecución en el periodo municipal. Los resultados obtenidos utilizando el algoritmo de clasificación supervisada support vector machine (SVM) muestran valores de aciertos del modelo de alrededor del 78% en análisis de sentimientos. Se realizó una primera clasificación de distritos que necesitan urgentemente de obras urbanas, disgregada en tres tipos: parques, pistas y veredas. Los resultados generales del modelo son buenos en comparación con las investigaciones de otros autores como Aiala et al. (2017).