����������������������������������������������������������������������������������

 

Aplicaci�n de t�cnicas de aprendizaje autom�tico para disminuir las observaciones en las lecturas de medidores

 

Application of machine learning techniques to reduce observations in meter readings

 

Aplica��o de t�cnicas de aprendizado de m�quina para reduzir observa��es em leituras de medidores

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: gnoboa@mgs.ecotec.edu.ec

 

 

Ciencias de la Educaci�n ���

Art�culo de Investigaci�n

��

* Recibido: 23 de mayo de 2022 *Aceptado: 12 de junio de 2022 * Publicado: 11 de julio de 2022

 

1. Mag�ster en Sistemas de Informaci�n menci�n en Inteligencia de Negocios, Universidad de Guayaquil, Guayaquil, Ecuador.
2. Mag�ster en Sistemas de Informaci�n menci�n en Inteligencia de Negocios, Tecnol�gico ARGOS, Guayaquil, Ecuador.
3. Mag�ster en Sistemas de Informaci�n menci�n en Inteligencia de Negocios, Universidad de Guayaquil, Guayaquil, Ecuador.

Resumen

El siguiente trabajo consiste, en la b�squeda de solucionar inconveniente en la hora de tomar decisiones con las observaciones de lectura de los equipos de medici�n mediante t�cnicas de miner�a de datos. En la actualidad las t�cnicas de aprendizaje autom�tico de diferentes algoritmos son herramientas muy utilizadas para la toma de decisiones en diferentes modelos de negocios.

Para este tipo de modelo de negocio se procede a utilizar las t�cnicas de algoritmo de Regresi�n Lineal de acuerdo al an�lisis de los objetivos del negocio. Estas t�cnicas se basan en tener datos cuantitativos para poder evaluar diferentes algoritmos supervisados, para el entrenamiento y evaluaci�n de los modelos a utilizar, para con esto evaluar de acuerdo al error aceptable y el error cuadr�tico de menor impacto para la elecci�n del modelo de las t�cnicas de aprendizaje autom�tico.

En este proyecto se utiliz� algoritmos para el aprendizaje supervisado como el de regresi�n lineal, el cual inicialmente se utiliz� con todas las variables, y posterior fue reducido manualmente, tambi�n se utiliz� la funci�n STEP y RandomForest. Se investig� varias metodolog�as de miner�a de datos y la cual se las aline� de acuerdo al modelo de negocio es CRISP-DM.

Se gener� un dashboard con la herramienta R Studio para visualizar el algoritmo seleccionado del error m�s bajo del algoritmo de STEP, donde se podr� observar los sectores con mayor cantidad de observaciones de lectura de los equipos de medici�n y tomar acciones en funci�n de cada sector para disminuir las observaciones.

Palabras Clave: Aprendizaje autom�tico; regulaci�n energ�tica; algoritmo STEP; CRISP-DM.

 

Abstract

The following work consists in the search to solve a problem when making decisions with the reading observations of the measurement equipment through data mining techniques. At present, machine learning techniques of different algorithms are widely used tools for decision making in different business models.

For this type of business model, Linear Regression algorithm techniques are used according to the analysis of the business objectives. These techniques are based on having quantitative data to be able to evaluate different supervised algorithms, for the training and evaluation of the models to be used, in order to evaluate according to the acceptable error and the squared error of least impact for the choice of the model of the techniques. machine learning.

In this project, algorithms for supervised learning were used, such as linear regression, which was initially used with all the variables, and later was reduced manually, the STEP and RandomForest functions were also used. Several data mining methodologies were investigated and the one that was aligned according to the business model is CRISP-DM.

A dashboard was generated with the R Studio tool to visualize the selected algorithm of the lowest error of the STEP algorithm, where it will be possible to observe the sectors with the greatest number of reading observations of the measurement equipment and take actions based on each sector to decrease observations.

Keywords: machine learning; energy regulation; STEP algorithm; CRISP-DM.

 

Resumo

O trabalho a seguir consiste na busca de resolver um problema ao tomar decis�es com as observa��es de leitura do equipamento de medi��o atrav�s de t�cnicas de minera��o de dados. Atualmente, t�cnicas de aprendizado de m�quina de diferentes algoritmos s�o ferramentas amplamente utilizadas para tomada de decis�o em diferentes modelos de neg�cios.

Para este tipo de modelo de neg�cio, s�o utilizadas t�cnicas de algoritmos de Regress�o Linear de acordo com a an�lise dos objetivos de neg�cio. Essas t�cnicas baseiam-se em ter dados quantitativos para poder avaliar diferentes algoritmos supervisionados, para o treinamento e avalia��o dos modelos a serem utilizados, a fim de avaliar de acordo com o erro aceit�vel e o erro quadrado de menor impacto para a escolha do modelo das t�cnicas, aprendizado de m�quina.

Neste projeto, foram utilizados algoritmos de aprendizado supervisionado, como a regress�o linear, que inicialmente foi utilizada com todas as vari�veis, e posteriormente foi reduzida manualmente, tamb�m foram utilizadas as fun��es STEP e RandomForest. Diversas metodologias de minera��o de dados foram investigadas e a que se alinhou de acordo com o modelo de neg�cio � a CRISP-DM.

Foi gerado um dashboard com a ferramenta R Studio para visualizar o algoritmo selecionado de menor erro do algoritmo STEP, onde ser� poss�vel observar os setores com maior n�mero de observa��es de leitura do equipamento de medi��o e realizar a��es com base em cada setor para diminuir as observa��es.

Palavras-chave: aprendizado de m�quina; regula��o energ�tica; algoritmo PASSO; CRISP-DM.

����������������������������������������������������������������������������������������������

Introducci�n

La evoluci�n de los sistemas inform�ticos y con el objetivo de brindar un mejor servicio a los clientes, se ha ido optimizando los sistemas de la toma de lectura, con la finalidad de disminuir la cantidad de reclamos que llegan al �rea de atenci�n al cliente. Con la informaci�n que se cuenta de las observaciones de los medidores el�ctricos mensualmente tales como: medidores da�ados, medidores altos, tapas sucias, medidores no localizados, no se toman decisiones para los correctivos, donde se pueda disminuir el �ndice, por la falta de conocimiento de herramientas de inteligencia de negocio que brinda facilidades para el an�lisis de los correctivos correspondientes.

La Regulaci�n energ�tica se constituye en un elemento del Estado para garantizar la eficiencia energ�tica de los clientes, principalmente de la parte econ�mica al ser una empresa estrat�gica, donde las fuerza est�n constituida en brindar un servicio de calidad a los Ecuatorianos (Pereira, 2015). Las empresas encargadas de la distribuci�n de energ�a el�ctrica son reguladas por la ley Org�nica de Servicio P�blico de Energ�a El�ctrica, y supervisadas o controladas por la Agencia de Regulaci�n y Control de Electricidad (ARCONEL), que se encuentran amparada por la parte jur�dica en el art�culo 14, con las actividades que debe cumplir del Servicio p�blico de energ�a el�ctrica (ARCONEL, 2018).

La empresa reguladora de energ�a el�ctrica realiza la contrataci�n de una compa��a de toma de lectura de los equipos de medici�n para brindar un mejor servicio de energ�a el�ctrica a los clientes, con esto tener una informaci�n correcta del �rea analizar y tomar decisiones para mejorar los indicadores de servicio de la empresa reguladora de energ�a (CNEL, 2018).

El problema que existe con las observaciones de medidores el�ctricos, radica que no existe un tratamiento de los datos, no se realiza seguimiento a la informaci�n. Con la aplicaci�n de t�cnicas de limpieza, procesamiento y transformaci�n de datos, se puede obtener una visualizaci�n y clasificaci�n de las observaciones de lecturas en los medidores el�ctricos, permitiendo entregar la informaci�n a los responsables de la toma de decisiones, para el adecuado seguimiento y soluci�n de los problemas, optimizando el tiempo y calidad en el servicio. (Usuelli, 2014). Cada mes se tiene medidores que deben ser reemplazados, reubicados, o medidores no encontrados en la toma de lectura, por lo que se debe realizar un trato a la informaci�n, analizar algoritmos, que permitan aportar a la toma de decisiones y correcciones de las observaciones.

Por lo tanto, se propone utilizar t�cnicas de aprendizaje autom�tico para disminuir la cantidad de observaciones generadas en la lectura de los medidores el�ctricos, el aprendizaje autom�tico es una rama de la inteligencia artificial que se encarga de componer algoritmos que tienen la posibilidad de aprender, sin tener que programarlos de manera expl�cita, lo que se debe hacer es mantener el algoritmo con una magnitud gigantesca de datos para que el algoritmo aprenda y sepa qu� formar en conjunto de los casos expuesto (Sandoval, 2018). El aprendizaje autom�tico consiste en utilizar herramientas donde permitan el procesamiento de los datos, tratamiento de la informaci�n para aplicar modelos de algoritmos matem�ticos, para realizar tareas de� identificaci�n de patrones y an�lisis de los datos (Mueller & Massaron, 2016).

Este es un proyecto de aprendizaje autom�tico y no de inteligencia de negocios, considerando que la inteligencia de negocios es de naturaleza retrospectiva, mientras que el Aprendizaje autom�tico se trata del futuro, de predecir lo que suceder� (Labs, 2019). En esta investigaci�n se va a realizar un an�lisis predictivo de las observaciones de los medidores, donde se va a evidenciar el comportamiento de los patrones a evaluar en el modelo, utilizando herramientas de inteligencia de negocios como es R studio que es un lenguaje de programaci�n de c�digo abierto, dedicado a realizar algoritmos de aprendizaje autom�ticos, estad�stica descriptiva y gr�ficos, contiene consolas para editar sintaxis, tambi�n herramienta para realizar trazos, mantener hist�rico, depuraci�n y gestionar los proyectos de estudio (Pimpler, 2018). La herramienta R es un descubrimiento para el an�lisis datos, por las bondades que permiten aplicar los conocimientos de la ciencia de los datos a trav�s de un software libre de c�digo abierto que permite sistem�ticamente analizar la informaci�n y vincularse con el aprendizaje autom�tico para impartir el conocimiento de los datos (Williams, 2017).

Existen 3 tipos de modelos de machine learning: modelos lineales, modelos de �rbol y modelos neuronales (Castillo Rojas, Medina Quispe, & Vega Damke, 2017). En este trabajo se utiliz� el modelo lineal que seg�n Sandoval (2018) estos tratan de hallar un trazo que se ajuste bien a los puntos que se disponen, estos destacan a partir de modelos conocidos y usados como la regresi�n lineal, la log�stica y los dos modelos tienen el inconveniente del que se ajustan demasiado los datos disponibles, con el peligro que esto tiene para nuevos datos que pudieran alcanzar y son modelos relativamente simples; el otro modelo utilizado es el de �rbol que son modelos precisos, estables y sencillos de interpretar b�sicamente se construyen unas reglas de resoluci�n que se pueden constituir como un �rbol ya que, a oposici�n de los modelos lineales, pueden imitar relaciones no lineales para resolver problemas de modelos, destacan los �rboles de resultados y los random forest. Al ser precisos y elaborados, obviamente ganamos en capacidad predictiva y perdemos en beneficio (Jaramillo & Paz Arias, 2015)

La investigaci�n incluy� t�cnicas y procedimientos de miner�a de datos que es la obtenci�n de datos impl�citos, desconocidos o anticipadamente ignorados, que puede ser potencialmente v�lidos. Se puede pensar a la miner�a de datos como una colecci�n de diferentes t�cnicas que sirven para incitar la comprensi�n e informaci�n de un modo estructurado de un gran conjunto de datos. A la miner�a de datos se la conoce con sus siglas en ingl�s como Data Mining y adem�s se la relaciona con la revelaci�n de la comprensi�n de las bases de datos conocidas como Knowledge Data Discovery (KDD) (Camana, 2016). Adicional se utiliz� Shiny para realizar el dashboard, este paquete de R Studio, est� dise�ado para facilitar la formaci�n de aplicaciones interactivas de aplicaciones web. Proporciona un enlace instant�neo "reactivar" entre entradas y salidas: cuando el interesado visualiza el modelo encontrado mediante el aplicativo ejecutado (Horton & Kleinman, 2015).

La informaci�n ser� utilizada por el �rea comercial como soporte a toma de decisiones relacionadas a las correcciones a ejecutar, para as� contribuir con la disminuci�n de las observaciones de lectura evitando consumos generados, clientes no localizados, medidores reubicados y la facturaci�n se realice acorde a observado en el medidor. Esto se traduce en beneficios para la empresa, porque se disminuir�a las p�rdidas energ�ticas y por ende econ�micas, y reducir�a los porcentajes de las observaciones; brindando un servicio de calidad a los clientes, para que exista conformidad del servicio ofrecido para la empresa reguladora de energ�a el�ctrica, lo cual concuerda con Zielesny (2016) que menciona que a trav�s del an�lisis predictivo de los datos y aplicaci�n de un modelo de regresi�n lineal se facilita el an�lisis de la informaci�n contribuyendo con la toma de decisiones y seguimiento en los departamentos pertinentes para su adecuada soluci�n, disminuyendo as� el porcentaje de observaciones reportadas.

 

M�todos o metodolog�a

�La metodolog�a se refiere a la serie de m�todos y t�cnicas de rigor cient�fico que se aplican sistem�ticamente durante un proceso de investigaci�n para alcanzar un resultado te�ricamente v�lido� (Vera et al., 2015). El presente trabajo de desarrollo tecnol�gico que concluye con la aplicaci�n de t�cnicas de aprendizaje autom�tico a trav�s de un modelo regresi�n lineal con un an�lisis de datos predictivos, para identificar patrones en las observaciones de lecturas en los medidores el�ctricos ,donde a partir de caracter�sticas como� c�digo de identificaci�n del sector, marca del medidor, fecha de la observaci�n reportada, consumo de energ�a levantado, y tarifa se identifiquen comportamientos que contribuyan de manera efectiva a la toma de decisiones en la ciudad de Babahoyo.

En el proyecto se utiliz� metodolog�as de miner�a de datos y t�cnicas de aprendizaje autom�tico, adem�s de realizar el tratamiento, limpieza, modelamiento de� los datos en el entrenamiento en el cual se eval�an diferentes algoritmos, a fin de seleccionar aquel que cumpla con los par�metros para aplicar un modelo predictivo en la herramienta estad�stica R Studio (Gandrud, 2015), donde se realice el an�lisis de las observaciones de lecturas, identificando los factores que inciden en los sectores de la ciudad de Babahoyo, ayudando a la toma de decisiones (Karthik Ramasubramanian, 2017).

El proyecto de desarrollo busca determinar un modelo predictivo de los datos utilizando t�cnicas de aprendizaje autom�tico, para lo cual a trav�s de t�cnicas de miner�a de datos se identificar� un algoritmo que aporte con una soluci�n a las observaciones de lectura de los equipos de medici�n para la toma de decisiones. El enfoque de la investigaci�n es cuantitativo, que de acuerdo con Fern�ndez Collado, Hernandez Sampieri, & Baptista Lucio (2017), representa un conjunto de procesos, es secuencial y probatorio. Se utilizan datos basados en la medici�n num�rica y el an�lisis es estad�stico, con el fin de establecer pautas de comportamiento o probar teor�as.

El alcance es exploratorio, descriptivo y explicativo. Los estudios exploratorios tienen como objetivo familiarizarse con un tema desconocido o poco estudiado (Fernandez Collado, Hernandez Sampieri, & Baptista Lucio, 2017), como es el caso del an�lisis predictivo utilizando t�cnicas de aprendizaje autom�tico que es un �rea que reci�n se est� explotando.� Los estudios descriptivos tienen como detallar las propiedades de la forma o fen�meno que se va a aprender y facilitar una perspectiva del crecimiento puntual permitido. Es inevitable, por la proporci�n, elegir los rasgos o conceptos del fen�meno y determinarlos en conjunto de modo independiente, con gran exactitud (Diaz Narvaez & Calzadilla Nunez, 2016).

El tipo de investigaci�n explicativa intenta recorrer m�s al detalle del tipo de investigaci�n exploratoria y descriptiva para detectar las causas reales de un inconveniente. En estos casos, un investigador explicativo estar�a ambicioso en las razones posteriormente de estos hechos (Begueri & Malberti, 2017).

La metodolog�a de desarrollo a utilizarse es CRISP-DM (Cross-Industry Standard Process for Data Mining), que incluye fases normales de un proyecto y cumple con el ciclo de vida de la miner�a de datos:

 

Modelo de negocio

Entendimiento de los datos

Preparaci�n de los datos

Modelado

Evaluaci�n y Despliegue Crisp-DM es flexible y simplifica los pasos para la implementaci�n del proyecto.

Figura 1 Metodolog�a de Miner�a de Datos CRISP � DM

 

Magerit es una de las metodolog�as m�s utilizadas que permite analizar la gesti�n del riesgo de los Sistemas de Informaci�n, y ser� utilizada para valorar los riesgos que se podr�an presentar en el proyecto (Molina Miranda, 2017).

 

 

 

Resultados y discusi�n

Resultados

Los resultados al seguir la metodolog�a CRISP-DM son:

En la empresa reguladora de energ�a el�ctrica de la ciudad de Babahoyo, existen inconvenientes relacionados a las observaciones de lecturas de los equipos de medici�n, que impiden realizar un adecuado an�lisis que contribuya a la toma de decisiones. Siguiendo el principio de confidencialidad de los datos de la empresa reguladora de energ�a, se presentan de manera global las principales observaciones de lectura analizadas durante los �ltimos 3 meses:

 

Figura 2 Observaciones de Lectura de los Equipos de Medici�n

 

De la base de datos se obtuvieron los siguientes campos, en relaci�n a las observaciones de la toma de lectura del equipo de medici�n, se consideraron las siguientes observaciones para realizar el respectivo an�lisis:

 

Tabla 1 Descripci�n de Datos

Elaborado: Autores

 

Se realiza una exploraci�n de los datos de la toma de lectura de los equipos de medici�n de las variables del archivo plano que recibe mensualmente la empresa reguladora de energ�a el�ctrica con la funci�n dim y an�lisis a la Base de datos. Se explora la cantidad de registros que se obtiene de la base de datos de la toma de lectura y la cantidad de columnas que se cuenta para la obtenci�n de resultados.

Figura 3 Cantidad de Registros

 

Los sectores se encuentran estructurados de acuerdo a los l�mites perif�ricos del interior de la ciudad, e identificados de forma num�rica (1 al 6). Al analizar los datos de la toma de lectura se puede observar la concurrencia en los sectores de acuerdo a las observaciones reportadas.

Figura 4 Porcentaje de observaciones en los Sectores

 

Se toma en consideraci�n un periodo de tiempo compuesto por tres meses, para realizar el an�lisis de las observaciones de lectura de los equipos de medici�n de la empresa reguladora de energ�a el�ctrica, de acuerdo a los porcentajes de la informaci�n levantada y la cual solo esta graficada lo que respecta a las observaciones que van a ser consideradas para la toma de decisiones.

Figura 5 Porcentaje de Observaciones de los meses analizados

La funci�n boxplot() en R studio,� se utiliz� para identificar las variables que contienen datos que se consideran aislados, los cuales no pueden formar parte del modelo por que causar�an ruido. Estos se pueden evidenciar en la figura siguiente, donde aquellos puntos que se encuentran distantes son los que no se consideran.

Figura 6 Outlier de Consumo

 

Para la selecci�n de los datos se considera los objetivos y el entendimiento del negocio donde se va a realizar el an�lisis de las observaciones de los equipos de medici�n, se obtienen 99837 registros de la toma de lectura de los equipos de medici�n, donde se encuentran incluidos aquellos que no presentan observaciones, por lo cual ser�n aislados al realizar el entrenamiento de los modelos y la evaluaci�n respectiva. Se realiza la visualizaci�n general de los datos con la funci�n summary() con el nombre de la base de datos para el an�lisis descriptivo de las variables:

 

Figura 7 Summary de la Base de Datos

 

Se ejecuta la limpieza de los datos basura, para en lo posterior continuar con la aplicaci�n del algoritmo para realizar el an�lisis respectivo.

Figura 8 Boxplot despu�s de la limpieza de los Consumos

 

Se procede a transformar los datos que son cualitativos a cuantitativos para el an�lisis de la informaci�n de las observaciones de lectura de los equipos de medici�n, para proceder despu�s al entrenamiento de los algoritmos de miner�a de datos.

 

Figura 9 Construcci�n de datos cualitativos a cuantitativos

 

Despu�s de la construcci�n de los datos, se procede a la integraci�n de los mismos en un nuevo dataset, donde va a contemplar los datos que se procedi� a la construcci�n de datos cualitativos a cuantitativos, adem�s de las variables iniciales de la base de datos.

 

Figura 10 Integraci�n de la Base de datos

 

Se procede a seleccionar t�cnicas de regresi�n lineal las cuales son las siguientes: Lm (todas las variables), Step, Lm (reducci�n manual), RandomForest. Para la elecci�n del modelo ideal se basa en funci�n del error m�s bajo que se gener� en de los modelos evaluados, dando como resultado el algoritmo de la funci�n STEP con el error m�s bajo de todos los modelos que se han realizado el respectivo entrenamiento y evaluaci�n de los datos.

 

Figura 11 Generar datos Supervisados

 

Para la elecci�n del modelo ideal se basa en funci�n del error m�s bajo que se gener� en de los modelos evaluados, dando como resultado el algoritmo de la funci�n STEP con el error m�s bajo de todos los modelos que se han realizado el respectivo entrenamiento y evaluaci�n de los datos.

 

Tabla 2 Descripci�n del error de cada uno de los modelos evaluados

 

En la herramienta shiny se muestra la gr�fica de los 6 sectores, donde en 2 sectores como es el 3 y 5 se encuentran concentrado el mayor n�mero de los dos tipos de observaciones que se generaron en el algoritmo de STEP, adem�s se puede ir deslizando observ�ndose el comportamiento de los sectores en funci�n de las observaciones de la ecuaci�n encontrada.

Figura 12 Dashboard de los Sectores de las Observaciones de Lectura de los Equipos de medici�n

 

Discusi�n

De acuerdo a los modelos entrenado con los diferentes t�cnicas de algoritmos ejecutados, encontramos 4 tipos de observaciones de los equipos de medici�n planteadas inicialmente en la situaci�n actual de la empresa, se visualiza que se tiene el rango m�s alto de incidencia en la actualidad en la empresa reguladora de energ�a el�ctrica son consideradas en la generaci�n del algoritmo con el error m�s bajo que es STEP, por lo tanto a medida que se d� el trato correctivo por el �rea de comercial responsable se ir� disminuyendo las observaciones, a medida que se tome los correctivos correspondientes ir�n disminuyendo las observaciones con porcentaje alto, la cual se incorporar� paulatinamente los 2 tipos de observaciones en el algoritmo a medida que se mejore las observaciones para una mejor soluci�n del problema inicial en la empresa reguladora de energ�a el�ctrica.

Con el algoritmo STEP escogido al realizar el entrenamiento de los datos, con la ecuaci�n lineal seleccionada por la evaluaci�n y verificaci�n del error por medio de las t�cnicas de miner�a de datos, con lo cual los dos tipos de observaciones seleccionadas son la no visible y existencia de los equipos de medici�n, en funci�n con los sectores que se incursionan en la ciudad de Babahoyo para la toma de decisiones del �rea de p�rdida de energ�a, balc�n de servicios e instalaci�n de medidores, para la soluci�n en base de la ecuaci�n encontrada colaborativa.

Al finalizar se realiz� una encuesta que permiti� conocer el alto nivel de aceptaci�n por parte del �rea comercial de la empresa reguladora de energ�a el�ctrica respecto a las t�cnicas de aprendizaje autom�tico de la miner�a de datos que permitir� disminuir las observaciones y el dashboard en funci�n de la ecuaci�n encontrada para la ilustraci�n de los sectores con los dos tipos de observaciones que fueron consideradas en el algoritmo elaborado. �

 

Referencias

1. ARCONEL. (21 de Octubre de 2018). Regulaci�n El�ctrica. Obtenido de Regulaci�n El�ctrica: https://www.regulacionelectrica.gob.ec/introduccion_regulacion/
2. Begueri, G. E., & Malberti, M. A. (2017). Miner�a de datos y una aplicaci�n en la educaci�n superior. Red de Universidades con Carreras en Inform�tica (RedUNCI), 1276-1280.
3. Camana, R. (2016). Potenciales Aplicaciones de la Miner�a de Datos en Ecuador. Revista Tecnol�gica ESPOL, 170-183.
4. Castillo Rojas, W., Medina Quispe, F., & Vega Damke, J. (2017). Esquema de Visualizaci�n para Modelos de Cl�steres en Miner�a de Datos. Revista Ib�rica de Sistemas e Tecnolog�a de la Informaci�n, 67-84.
5. CNEL. (18 de Septiembre de 2018). Atenci�n de reclamo Comercial. Obtenido de Atenci�n de reclamo Comercial: https://www.gob.ec/cnel/tramites/atencion-reclamo-comercial
6. Diaz Narvaez, V. P., & Calzadilla Nunez, A. (2016). Art�culos cient�ficos, tipos de investigaci�n y productividad cient�fica en las Ciencias de la Salud. Scielo, 115-121.
7. Fernandez Collado, C., Hernandez Sampieri, R., & Baptista Lucio, P. (2017). Metodolog�a de la Investigaci�n. Mc graw Hill.
8. Gandrud, C. (2015). Reproducible Research with R and R Studio, Second Edition. Chapman and Hall/CRC.
9. Horton, N., & Kleinman, K. (2015). Using R and RStudio for Data Management, Statistical Analysis and Graphics. London: Chapman and Hall/CRC.
10. Jaramillo, A., & Paz Arias, H. (2015). Aplicaci�n de T�cnicas de Miner�a de Datos para Determinar las Interacciones de los Estudiantes en un Entorno Virtual de Aprendizaje. Revista Tencol�gica ESPOL , 64-90.
11. Karthik Ramasubramanian, A. S. (2017). Machine Learning Using R. Apress.
12. Labs, G. (23 de 05 de 2019). Planeta Chat Bot. Obtenido de Planeta Chat Bot: https://planetachatbot.com/claves-para-diferenciar-inteligencia-empresarial-de-inteligencia-artificial-e494ece43970
13. Molina Miranda, M. (2017). AN�LISIS DE RIESGOS DE CENTRO DE DATOS BASADO EN LA HERRAMIENTA PILAR DE MAGERIT. Revista Espirales, 1-9.
14. Mueller, J. P., & Massaron, L. (2016). Machine Learning for Dummies. John Wiley & Sons, Incorporated.
15. Pereira, M. (2015). La regulaci�n Energ�tica. Universidad Libre Seccional, 91.
16. Pimpler, E. (2018). Data Visualization and Exploration with R. Geospatial Training Services.
17. Sandoval, L. J. (2018). ALGORITMOS DE APRENDIZAJE AUTOM�TICO PARA AN�LISIS Y. ITCA-FEPADE, 36-40.
18. Usuelli, M. (2014). R Machine Learning Essentials. Birmingham B3 2PB, UK.: PacktLib.
19. Williams, G. (2017). The Essentials of Data Science: Knowledge Discovery Using R. CRC Press LLC.
20. Zielesny, A. (2016). From Curve Fitting to Machine Learning: An Illustrative Guide to Scientific Data Analysis and Computational Intelligence. Recklinghausen: Springer.

 

 

 

 

 

 

 

� 2022 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/).