Show simple item record

dc.contributor.advisorEspinosa Carreño, María Alexandraspa
dc.contributor.advisorJurado Garcia, Miguel Eugeniospa
dc.contributor.advisorFlórez Gómez, Leidy Yohanaspa
dc.contributor.authorMejía Sánchez, Saúl Fernandospa
dc.coverage.spatialSantander (Colombia)spa
dc.date.accessioned2021-01-25T21:10:11Z
dc.date.available2021-01-25T21:10:11Z
dc.date.issued2020-06-05
dc.identifier.urihttp://hdl.handle.net/20.500.12749/12043
dc.description.abstractEn 30 años, según el estudio de Springmann, "Options for keeping the food system within environmental limits ", la cantidad y la calidad de los productos alimenticios no serán suficientes para los 10.000 millones de personas que se calcula que van a poblar el mundo. Es imperativo buscar mecanismos para aumentar la productividad de los cultivos, optimizando el uso de los recursos naturales. Para el mundo, Colombia representa una gran despensa de alimentos. La FAO (Organización de las Naciones Unidas para la Agricultura y la Alimentación), ha destacado el papel del país en la lucha contra la crisis alimentaria, que es pronosticada por organismos de todo el mundo, dado el aumento estimado de la demanda mundial de productos alimenticios, proyectada en alrededor del 70% de aquí a 2050. En el departamento de Santander la agricultura es una de las principales actividades que juegan un papel fundamental en la economía regional, y representa más del 60% de la producción de alimentos, ya que la gran mayoría de la producción de cultivos es desarrollada por pequeños agricultores. Se plantea el desarrollo de un modelo de decisión basado en técnicas de inteligencia artificial (IA) para la selección de tecnologías de IoT (por sus siglas en inglés, Internet of Things) aplicadas a la agricultura, como apoyo a la transferencia de tecnología para los pequeños agricultores de Santanderspa
dc.description.tableofcontentsINTRODUCCIÓN ............................................................................................................. 14 1. OBJETIVOS ............................................................................................................. 16 1.1. OBJETIVO GENERAL ....................................................................................... 16 1.2. OBJETIVOS ESPECÍFICOS .............................................................................. 16 2. MARCO NORMATIVO ............................................................................................. 17 2.1. NORMATIIVIDAD EN TIC .................................................................................. 17 2.2. DECRETOS RELACIONADOS .......................................................................... 18 2.3. CONSEJO NACIONAL DE POLÍTICA ECONÓMICA Y SOCIAL ....................... 18 2.4. NORMATIVIDAD DEL SECTOR AGROPECUARIO Y DESARROLLO RURAL. 19 2.5. CONSTITUCIÓN POLÍTICA DE COLOMBIA ..................................................... 20 3. PLANTEAMIENTO DEL PROBLEMA ...................................................................... 21 3.1. DEFINICIÓN DEL PROBLEMA ......................................................................... 21 3.2. JUSTIFICACIÓN................................................................................................ 22 4. ESTADO DEL ARTE ................................................................................................ 24 5. MARCO TEÓRICO ................................................................................................... 25 5.1. PEQUEÑO PRODUCTOR AGRICULTOR EN COLOMBIA ................................... 25 5.2. SISTEMA DE SOPORTE A DECISIONES ............................................................ 25 5.3. AGRICULTURA DE PRECISIÓN .......................................................................... 26 5.4. LENGUAJE DE PROGRAMACIÓN: PYTHON ...................................................... 26 5.4.1. Características de Python .................................................................................. 26 5.5. MACHINE LEARNING .......................................................................................... 27 5.5.1. Tipos de Machine Learning ................................................................................ 27 5.5.1.1. Aprendizaje supervisado ................................................................................ 28 5.5.1.1.1. Clasificación ............................................................................................... 28 5.5.1.1.2. Regresión ................................................................................................... 29 5.5.1.1.3. Regresión por mínimos cuadrados ............................................................. 30 5.5.1.1.4. Regresión logística ..................................................................................... 31 5.5.1.2. Aprendizaje no supervisado ........................................................................... 31 5.5.1.2.1. Clustering ................................................................................................... 31 5.5.1.2.2. ASOCIACIONES ........................................................................................ 32 5.5.1.3. Aprendizaje de refuerzo ................................................................................. 33 5.5.1.4. Aprendizaje evolutivo ..................................................................................... 33 5.6. TRATAMIENTO Y ELABORACIÓN DEL MODELO .............................................. 34 5.6.1. Recolección y preparación de datos .................................................................. 35 5.6.2. Selección de características .............................................................................. 35 5.6.3. Elección del algoritmo ........................................................................................ 36 5.6.4. Selección de parámetros y modelos .................................................................. 36 5.6.5. Elaboración y aplicación del modelo .................................................................. 36 5.7. ELECCIÓN DEL ALGORITMO .............................................................................. 36 5.7.1. Arboles de decisión ........................................................................................... 38 5.7.2. Clasificación basada en Naïve-Bayes ................................................................ 39 5.7.3. Support vector machines (SVM) ........................................................................ 39 5.7.4. Evaluación ......................................................................................................... 39 5.7.5. Evaluación basada en la precisión ..................................................................... 39 5.8. MODELO DE ADOPCION TECNOLGICA ............................................................. 40 5.9. VARIABLES DE CONTEXTO AGRICULTOR ....................................................... 41 5.10. METODOLOGIA CRISP-DM ............................................................................. 41 5.10.1. Mapeo del modelo de procesos de minería de datos ..................................... 43 5.10.2. Ciclo de vida del modelo CRISP-DM .............................................................. 43 5.10.3. Comprensión del negocio ............................................................................... 44 5.10.4. Comprensión de los datos .............................................................................. 44 5.10.5. Preparación de los datos ................................................................................ 45 5.10.6. Modelado ....................................................................................................... 46 5.10.7. Evaluación ..................................................................................................... 47 5.10.8. Despliegue ..................................................................................................... 48 6. METODOLOGIA....................................................................................................... 50 7. IDENTIFICACIÓN..................................................................................................... 51 8. DISEÑO .................................................................................................................... 53 8.2. POBLACIÓN OBJETIVO ....................................................................................... 53 8.3. VARIABLES DE ADOPCIÓN TECNOLÓGICA ...................................................... 54 8.4. NUEVA POBLACIÓN OBJETIVO.......................................................................... 54 8.5. DECRETO 457 DE MARZO DE 2020 ................................................................... 55 8.6. MINERIA DE TEXTO PARA DEFINICION DE VARIABLES DE CONTEXTO........ 55 8.7. DISEÑO DE MODELO DE DECISIÓN .................................................................. 56 8.7.1. Conjunto de datos limpio ................................................................................... 56 9. EVALUACIÓN .......................................................................................................... 65 10. RESULTADOS ..................................................................................................... 66 10.1. INSTRUMENTO DE INVESTIGACIÓN DE MERCADO ..................................... 68 10.2. VARIABLES DE ADOPCIÓN DE TECNOLOGÍAS EN EL CONTEXTO DE LA AGRICULTURA ............................................................................................................... 71 10.3. CONJUNTO DE DATOS PROCESADO ............................................................ 72 10.4. ACCURACY ...................................................................................................... 73 10.5. FORMULARIO DE PRUEBA ............................................................................. 73 11. CONCLUSIONES Y TRABAJO FUTURO ............................................................. 76 BIBLIOGRAFÍA ................................................................................................................78spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleModelo de decisión para la selección de soluciones IoT apoyando la transferencia tecnológica en zonas rurales de Santanderspa
dc.title.translatedDecision model for the selection of IoT solutions supporting technology transfer in rural areas of Santanderspa
dc.degree.nameIngeniero de Sistemasspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería de Sistemasspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsSystems engineereng
dc.subject.keywordsTechnological innovationseng
dc.subject.keywordsData miningeng
dc.subject.keywordsAgricultureeng
dc.subject.keywordsArtificial intelligenceeng
dc.subject.keywordsDecision modeleng
dc.subject.keywordsSmallholdereng
dc.subject.keywordsSmart agricultureeng
dc.subject.keywordsMachine learningeng
dc.subject.keywordsAgrobusiness operationeng
dc.subject.keywordsFood cropseng
dc.subject.keywordsAgricultural technologyeng
dc.subject.keywordsAgricultural developmenteng
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.accessrightshttp://purl.org/coar/access_right/c_abf2spa
dc.relation.referencesChapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2004). CRISP-DM 1.0 (pp. 1–76). IBM. ftp://ftp.software.ibm.com/software/analytics/spss/support/Modeler/Documentation/14/UserManual/CRISP-DM.pdf%5Cnpapers3://publication/uuid/8209D32B-855C-47AD-9C5D-9BBBF10698ABspa
dc.relation.referencesContreras, G., & Prieto, P. (2015). Confianza del agricultor colombiano pequeño. https://doi.org/ISSN 2422-300Xspa
dc.relation.referencesDANE, D. A. N. de. (2016). III. Censo nacional agropecuario. Tomo 2, Resultados. http://www.dane.gov.co/index.php/estadisticas-por-tema/agropecuario/censo-nacional-agropecuario-2014spa
dc.relation.referencesDavis, F. D. (1989). Perceived Usefulness, Perceived Ease of Use, and User Acceptance of Information Technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.5962/bhl.title.33621spa
dc.relation.referencesDNP, D. N. de P. (2015). EL CAMPO COLOMBIANO: UN CAMINO HACIA EL BIENESTAR Y LA PAZ Misión para la Transformación del Campo - resumen ejecutivo. Programa de Las Naciones Unidas Para El Desarrollo PNUD. https://colaboracion.dnp.gov.co/CDT/Agriculturapecuarioforestal y pesca/El CAMPO COLOMBIANO UN CAMINIO HACIA EL BIENESTAR Y LA PAZ MTC.pdfspa
dc.relation.referencesEvgeniou, T., & Pontil, M. (2001). Workshop on Support Vector Machines : Theory and Applications. Machine Learning and Its Applications: Advanced Lectures, January 2001, 249–257. https://doi.org/10.1007/3-540-44673-7spa
dc.relation.referencesFar, S. T., & Rezaei-Moghaddam, K. (2018). Impacts of the precision agricultural technologies in Iran: An analysis experts’ perception & their determinants. Information Processing in Agriculture, 5(1), 173–184. https://doi.org/10.1016/j.inpa.2017.09.001spa
dc.relation.referencesGalarza Hernández, J. (2017a). Reducción de dimensionalidad en Machine Learning. Universidad Politecnica de Valencia. https://riunet.upv.es/bitstream/handle/10251/92565/GALARZA - Reducción de dimensionalidad en Machine Learning. Diagnóstico de cáncer de mama bsado e....pdf?sequence=1spa
dc.relation.referencesGalarza Hernández, J. (2017b). Reducción de dimensionalidad en Machine Learning. Universidad Politecnica de Valencia, 1–71. https://riunet.upv.es/bitstream/handle/10251/92565/GALARZA - Reducción de dimensionalidad en Machine Learning. Diagnóstico de cáncer de mama bsado e....pdf?sequence=1spa
dc.relation.referencesGrisales Orozco, F. (2016). EL CRÉDITO AGROPECUARIO PARA PEQUEÑOS PRODUCTORES EN LA BANCA PRIVADA COLOMBIANA (p. 48). Colegio de 79 Estudios Superiores de Administración – CESA. https://repository.cesa.edu.co/bitstream/handle/10726/1580/MFC_00508.pdf?sequence=1&isAllowed=yspa
dc.relation.referencesHernandez, S. de la F. (2011). Regresion logistica. Facultad de Ciencias Economicas y Empresariales UNAMspa
dc.relation.referencesIBM, I. B. M. (2012). Manual CRISP-DM de IBM SPSS Modeler. IBM Corporation, 56. ftp://public.dhe.ibm.com/software/analytics/spss/documentation/modeler/15.0/es/CRISP-DM.pdfspa
dc.relation.referencesInforme especial: 242 familias del sector rural se benefician de los ‘Mercadillos Campesinos’ – Prensa Alcaldía de Bucaramanga. (2019). https://www.bucaramanga.gov.co/noticias/informe-especial-242-familias-del-sector-rural-se-benefician-de-los-mercadillos-campesinosspa
dc.relation.referencesLarrañaga, P. (2002). Tema 6. Clasificadores Bayesianos. 1–17. http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t6bayesianos.pdfspa
dc.relation.referencesLarrañaga, P. (2002). Tema 6. Clasificadores Bayesianos. 1–17. http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t6bayesianos.pdfspa
dc.relation.referencesLutz, M. (2013). Learning Python. O’Reilly Media.spa
dc.relation.referencesMachado C, A. (1981). El problema agrario en Colombia y sus soluciones. Publicaciones (Fundación Mariano Ospina Pérez, 21, 151 pspa
dc.relation.referencesMarsland, S. (2014). MACHINE LEARNING An Algorithmic Perspective (Second Edi). https://content.taylorfrancis.com/books/download?dac=C2012-0-12750-0&isbn=9780429102509&format=googlePreviewPdfspa
dc.relation.referencesMartínez, R.-, & Fernández, A. (2008). Impacto social y económico del analfabetismo: modelo de análisis y estudio piloto. Oms, 84. https://repositorio.cepal.org/bitstream/handle/11362/3747/1/S2009862_es.pdf%0Ahttp://www.cepal.org/es/publicaciones/3747-impacto-social-y-economico-del-analfabetismo-modelo-de-analisis-y-estudio-pilotospa
dc.relation.referencesMINISTERIO DE AGRICULTURA Y DESARROLLO RURAL. (2018). Decreto Pequeño productor. 2. https://www.minagricultura.gov.co/Normatividad/Proyectos Normativos/Decreto pequeño productor.pdfspa
dc.relation.referencesMinisterio de Tecnologías de la Información y las Comunicaciones. (2019). Avances plan estratégico sectorial El futuro digital es de todos. Versión 1.1-2019. https://www.mintic.gov.co/portal/604/articles-8247_plan_estrategico_sectorial_2019_1t_v1_1.pdfspa
dc.relation.referencesNuñez Jover, J. (2014). Innovación y desarrollo social: un reto para CTS. In La ciencia y la tecnología como procesos sociales. Lo que la educación científica no debería olvidar. OEI - Organización de los estados latinoamericanos para la Educación, la ciencia y la cultura. https://www.oei.es/historico/salactsi/nunez07.htmspa
dc.relation.referencesPatrício, D. I., & Rieder, R. (2018). Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review. In Computers and Electronics in Agriculture (Vol. 153, pp. 69–81). Elsevier B.V. 80 https://doi.org/10.1016/j.compag.2018.08.001spa
dc.relation.referencesPoce Fatou, J. A. (2016). Regresión Lineal. Método de ajuste por mínimos cuadrados a una recta. 1–2. http://rodin.uca.es/xmlui/bitstream/handle/10498/14844/Tutoral_Regresion_Lineal_RODIN.pdf;jsessionid=B38E50F7FED5E6FE2F9A5239DE4B08F2?sequence=1spa
dc.relation.referencesPresidencia de la República. (2020). Decreto Número 457 del 22 de marzo de 2020. 1–14spa
dc.relation.referencesSpringmann, M., Clark, M., Mason-D’Croz, D., Wiebe, K., Bodirsky, B. L., Lassaletta, L., de Vries, W., Vermeulen, S. J., Herrero, M., Carlson, K. M., Jonell, M., Troell, M., DeClerck, F., Gordon, L. J., Zurayk, R., Scarborough, P., Rayner, M., Loken, B., Fanzo, J., … Willett, W. (2018). Options for keeping the food system within environmental limits. Nature, 562(7728), 519–525. https://doi.org/10.1038/s41586-018-0594-0spa
dc.relation.referencesTechnoserve. (2015). Construcción de un modelo de agricultura competitiva en Colombia. 123. http://www.larepublica.co/sites/default/files/larepublica/Presentación Master Modelo Agricultura Competitiva 2015.pdfspa
dc.relation.referencesTripathi, K. P. (2011). Decision Support System Is a Tool for Making Better Decisions in the Organization. Indian Journal of Computer Science and Engineering, 2(1), 112–117. http://www.ijcse.com/docs/IJCSE11-02-01-054.pdfspa
dc.relation.referencesVarela, L. A. Y., Tovar, L. A. R., & Chaparro, J. (2010). Modelo de aceptación tecnológica (TAM): Un estudio de la influencia de la cultura nacional y del perfil del usuario en el uso de las TIC. Innovar, 20(36), 187–203.spa
dc.relation.referencesZamorano Ruiz, J. (2018). Comparativa Y Análisis De Algoritmos.spa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001495409*
dc.contributor.orcidhttps://orcid.org/0000-0003-1411-0828*
dc.contributor.researchgatehttps://www.researchgate.net/profile/Maria_Espinosa_C*
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembInnovaciones tecnológicasspa
dc.subject.lembExplotación agrícolaspa
dc.subject.lembCultivos alimenticiosspa
dc.subject.lembTecnología agrícolaspa
dc.subject.lembDesarrollo agrícolaspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishIn 30 years, according to Springmann's study, "Options for keeping the food system within environmental limits," the quantity and quality of food products will not be enough for the estimated 10 billion people who will populate the world. It is imperative to look up for mechanisms to increase productivity in crops, optimizing the use of natural resources. For the world, Colombia represents a large food pantry. The FAO (Food and Agriculture Organization of the United Nations), has highlighted the country's role in the fight against the food crisis, which is predicted by agencies around the world, given the estimated increase in global demand for food products, projected at about 70% between now and 2050. In the department of Santander agriculture is one of the main activities that play a fundamental role in the regional economy, and represents more than 60% of food production, since the vast majority of crop production is developed by small farmers. It’s necessary to develop a decision model that allows small farmers in rural areas of Santander, acquire solutions IoT technologies appropriate to their needs and contexts in which they are developed, in search of optimization of resources using artificial intelligence (AI) techniques to facilitate this process in order to provide appropriate advice for the selection of these technologies applied in agriculture.eng
dc.subject.proposalDatasetspa
dc.subject.proposalMinería de datosspa
dc.subject.proposalAgriculturaspa
dc.subject.proposalInteligencia artificialspa
dc.subject.proposalModelo de decisiónspa
dc.subject.proposalPequeño agricultorspa
dc.subject.proposalAprendizaje automáticospa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Except where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 2.5 Colombia