Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV

Maquera Canales, Jorge Daniel

Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV

dc.contributor.advisor	Saboya Rios, Nemias
dc.contributor.author	Maquera Canales, Jorge Daniel
dc.date.accessioned	2023-11-07T22:10:53Z
dc.date.available	2023-11-07T22:10:53Z
dc.date.embargoEnd	2024-09-06
dc.date.issued	2023-09-06
dc.description.abstract	La puntuación de clientes potenciales desempeña un papel crucial en el marketing al evaluar el nivel de interés y compromiso de posibles clientes. Las técnicas de aprendizaje automático ofrecen un medio para automatizar los procesos de puntuación de clientes potenciales, permitiendo a los profesionales del marketing priorizar sus esfuerzos y asignar recursos de manera efectiva. Sin embargo, el rendimiento de los modelos de aprendizaje automático depende en gran medida de la configuración de sus hiperparámetros. Los métodos de optimización tradicionales pueden ser ineficientes y no lograr explorar eficazmente el espacio de hiperparámetros de alta dimensionalidad. En este estudio, proponemos un enfoque novedoso que utiliza la optimización bayesiana de hiperparámetros para mejorar la predicción de conversión de clientes en el ámbito del e-learning. Al aprovechar las estadísticas bayesianas y un modelo probabilístico, nuestro método explora eficientemente el espacio de hiperparámetros para identificar configuraciones óptimas que maximizan el rendimiento del modelo. Consideramos los algoritmos de aprendizaje automático Extreme Gradient Boosting, Support Vector Machine, Random Forest, Logistic Regression y Decision Tree, y comparamos los algoritmos optimizados con sus versiones base en términos de precisión, sensibilidad, puntuación F1 y el área bajo la curva característica de operación del receptor (AUC). Los resultados demostraron que los algoritmos optimizados superaron consistentemente a sus versiones base. Nuestra investigación destaca la importancia de la optimización de hiperparámetros para lograr un rendimiento óptimo del modelo de aprendizaje automático y proporciona información valiosa para los profesionales del marketing en la industria del e-learning. Al aprovechar los algoritmos optimizados, las organizaciones pueden tomar decisiones basadas en datos, maximizar las tasas de conversión y optimizar las estrategias de marketing.	en_ES
dc.description.escuela	Escuela Profesional de Ingeniería de Sistemas	en_ES
dc.description.lineadeinvestigacion	Inteligencia artificial	en_ES
dc.description.sede	LIMA	en_ES
dc.format	application/pdf	en_ES
dc.identifier.uri	http://repositorio.upeu.edu.pe/handle/20.500.12840/6975
dc.language.iso	spa	en_ES
dc.publisher	Universidad Peruana Unión	en_ES
dc.publisher.country	PE	en_ES
dc.rights	info:eu-repo/semantics/embargoedAccess	en_ES
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/es/	*
dc.subject	Puntuación de clientes potenciales	en_ES
dc.subject	E-learning	en_ES
dc.subject	Optimización bayesiana	en_ES
dc.subject.ocde	http://purl.org/pe-repo/ocde/ford#1.02.01	en_ES
dc.title	Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV	en_ES
dc.type	info:eu-repo/semantics/bachelorThesis	en_ES
renati.advisor.dni	42001721
renati.advisor.orcid	https://orcid.org/0000-0002-7166-2197	en_ES
renati.author.dni	73088376
renati.discipline	612076	en_ES
renati.juror	Acuña Salinas, Erika Inés
renati.juror	Alvizuri Llerena, Geraldine Verónica
renati.juror	López Gonzales, Javier Linkolk
renati.juror	Huanca Torres, Fredy Abel
renati.level	http://purl.org/pe-repo/renati/nivel#tituloProfesional	en_ES
renati.type	http://purl.org/pe-repo/renati/type#tesis	en_ES
thesis.degree.discipline	Ingeniería de Sistemas	en_ES
thesis.degree.grantor	Universidad Peruana Unión. Facultad de Ingeniería y Arquitectura	en_ES
thesis.degree.name	Ingeniero de Sistemas	en_ES