000			nam a22 7a 4500
999			_c46310 _d46310
005			20210606162417.0
008			210510e2020 ck a|||fsm||| 00| 0 spa d
040			_aCO-NeUS _bspa _erda
041			_aspa
100	1		_9148072 _aSánchez Charry, Pedro Andrés _eaut
245	1	0	_aAplicación del machine Learning para el análisis predictivo de las ventas en la taquilla módulo centenario de Coomotor / _cPedro Andrés Sánchez Charry; Directora Yineth Medina Arce
256			_aDatos electrónicos (1 archivos:3462 MG)
264	1		_aNeiva: _bUniversidad Surcolombiana, _c2020
300			_ardacontent _btexto _ctxt
336			_2rdacontent _atxt _btxt
337			_2rdamedia _ac _bcd
338			_2rdacarrier _acd _bcd
347			_2rda _atexto _bpdf
502			_aTesis _bMatemático Aplicada _cUniversidad Surcolombiana. Facultad de Ciencias Exactas y Naturales. Matemática Aplicada _d2020
505			_aResumen -- Introducción -- Descripción del problema, pregunta del problema, antecedentes -- Justificación -- Marco teórico, data mining, KDD (KNOWLEDGE DISCOVERY IN DATABASES), machine learning, relevancias significativas del data science -- Objetivos, objetivo general, objetivo específicos -- Metodología, diseño de la investigación, enfoque de la investigación, población, herramientas metodológicas -- Análisis y discusión de resultados -- Etapas -- Conclusiones
520			_a"El proyecto tiene como propósito aplicar los Modelos de Predicción de forma dinámica, sobre el método Data Scientist, para estimar las metas de ventas de la taquilla Modulo Centenario, ubicado en el terminal de transporte del grupo empresarial COOMOTOR; teniendo en cuenta factores que afectan el número de pasajes vendidos, como son los turnos, las temporadas, el puesto de la taquilla, entre otros. El proceso de desarrollo comprendió cinco etapas: Etapa 1: Delimitación del problema taquilla ""modulo centenario"" del terminal de transporte e identificación de los posibles factores que afectan las ventas en la taquilla. Etapa 2: En esta etapa se realizó, la extracción de datos de las ventas realizadas durante el periodo comprendido desde el año 2011 hasta mediados del 2019, la cual se obtuvo de los archivos del software FICS, Se continuo con la exportación de datos a la hoja de cálculo de EXCEL; para la limpieza de datos se utilizó el lenguaje de programación PYTHON, y finalmente se creó los dataset. Etapa 3: Se exportó el dataset a R-Studio, igualmente se instalaron los paquetes necesarios para gráficos, se activó la librería y la función plots (Diagrama de dispersión). Se emplearon algunos parámetros lo que permitió visualizar el comportamiento de los datos y la correlación entre ellos. Etapa 4: Modelación y evaluación de datos. Al dataset de entrenamiento se le hizo el análisis de correlación y mediante modelos de regresión se obtuvo el modelo matemático, luego se hizo la validación y simulación del mismo. Etapa 5: Mediante un informe escrito se comunicó los resultados de interés y puestas en producción a la gerencia de la empresa."
700	1		_966343 _aMedina Arce, Yineth _edrt
082	0	4	_221 _aTh MA 011
650		0	_9148073 _aMatemática Aplicada _xMachine Learning
650		0	_9148074 _aVentas _xAnálisis predictivo _zCoomotor - Neiva
942			_2Local _cCD _hTh MA 011 _kTh