Mostrar el registro sencillo del ítem
Modelo de decisión para la selección de soluciones IoT apoyando la transferencia tecnológica en zonas rurales de Santander
dc.contributor.advisor | Espinosa Carreño, María Alexandra | spa |
dc.contributor.advisor | Jurado Garcia, Miguel Eugenio | spa |
dc.contributor.advisor | Flórez Gómez, Leidy Yohana | spa |
dc.contributor.author | Mejía Sánchez, Saúl Fernando | spa |
dc.coverage.spatial | Santander (Colombia) | spa |
dc.date.accessioned | 2021-01-25T21:10:11Z | |
dc.date.available | 2021-01-25T21:10:11Z | |
dc.date.issued | 2020-06-05 | |
dc.identifier.uri | http://hdl.handle.net/20.500.12749/12043 | |
dc.description.abstract | En 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 Santander | spa |
dc.description.tableofcontents | INTRODUCCIÓN ............................................................................................................. 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 ................................................................................................................78 | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | * |
dc.title | Modelo de decisión para la selección de soluciones IoT apoyando la transferencia tecnológica en zonas rurales de Santander | spa |
dc.title.translated | Decision model for the selection of IoT solutions supporting technology transfer in rural areas of Santander | spa |
dc.degree.name | Ingeniero de Sistemas | spa |
dc.publisher.grantor | Universidad Autónoma de Bucaramanga UNAB | spa |
dc.rights.local | Abierto (Texto Completo) | spa |
dc.publisher.faculty | Facultad Ingeniería | spa |
dc.publisher.program | Pregrado Ingeniería de Sistemas | spa |
dc.description.degreelevel | Pregrado | spa |
dc.type.driver | info:eu-repo/semantics/bachelorThesis | |
dc.type.local | Trabajo de Grado | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
dc.subject.keywords | Systems engineer | eng |
dc.subject.keywords | Technological innovations | eng |
dc.subject.keywords | Data mining | eng |
dc.subject.keywords | Agriculture | eng |
dc.subject.keywords | Artificial intelligence | eng |
dc.subject.keywords | Decision model | eng |
dc.subject.keywords | Smallholder | eng |
dc.subject.keywords | Smart agriculture | eng |
dc.subject.keywords | Machine learning | eng |
dc.subject.keywords | Agrobusiness operation | eng |
dc.subject.keywords | Food crops | eng |
dc.subject.keywords | Agricultural technology | eng |
dc.subject.keywords | Agricultural development | eng |
dc.identifier.instname | instname:Universidad Autónoma de Bucaramanga - UNAB | spa |
dc.identifier.reponame | reponame:Repositorio Institucional UNAB | spa |
dc.type.hasversion | info:eu-repo/semantics/acceptedVersion | |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.rights.accessrights | http://purl.org/coar/access_right/c_abf2 | spa |
dc.relation.references | Chapman, 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-9BBBF10698AB | spa |
dc.relation.references | Contreras, G., & Prieto, P. (2015). Confianza del agricultor colombiano pequeño. https://doi.org/ISSN 2422-300X | spa |
dc.relation.references | DANE, 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-2014 | spa |
dc.relation.references | Davis, 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.33621 | spa |
dc.relation.references | DNP, 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.pdf | spa |
dc.relation.references | Evgeniou, 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/10.1007/3-540-44673-7 | spa |
dc.relation.references | Far, 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.2017.09.001 | spa |
dc.relation.references | Galarza 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=1 | spa |
dc.relation.references | Galarza 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=1 | spa |
dc.relation.references | Grisales 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=y | spa |
dc.relation.references | Hernandez, S. de la F. (2011). Regresion logistica. Facultad de Ciencias Economicas y Empresariales UNAM | spa |
dc.relation.references | IBM, 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.pdf | spa |
dc.relation.references | Informe 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-campesinos | spa |
dc.relation.references | Larrañaga, P. (2002). Tema 6. Clasificadores Bayesianos. 1–17. http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t6bayesianos.pdf | spa |
dc.relation.references | Larrañaga, P. (2002). Tema 6. Clasificadores Bayesianos. 1–17. http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t6bayesianos.pdf | spa |
dc.relation.references | Lutz, M. (2013). Learning Python. O’Reilly Media. | spa |
dc.relation.references | Machado C, A. (1981). El problema agrario en Colombia y sus soluciones. Publicaciones (Fundación Mariano Ospina Pérez, 21, 151 p | spa |
dc.relation.references | Marsland, S. (2014). MACHINE LEARNING An Algorithmic Perspective (Second Edi). https://content.taylorfrancis.com/books/download?dac=C2012-0-12750-0&isbn=9780429102509&format=googlePreviewPdf | spa |
dc.relation.references | Martínez, 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-piloto | spa |
dc.relation.references | MINISTERIO DE AGRICULTURA Y DESARROLLO RURAL. (2018). Decreto Pequeño productor. 2. https://www.minagricultura.gov.co/Normatividad/Proyectos Normativos/Decreto pequeño productor.pdf | spa |
dc.relation.references | Ministerio 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.pdf | spa |
dc.relation.references | Nuñez 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.htm | spa |
dc.relation.references | Patrício, 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.2018.08.001 | spa |
dc.relation.references | Poce 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=1 | spa |
dc.relation.references | Presidencia de la República. (2020). Decreto Número 457 del 22 de marzo de 2020. 1–14 | spa |
dc.relation.references | Springmann, 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/s41586-018-0594-0 | spa |
dc.relation.references | Technoserve. (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.pdf | spa |
dc.relation.references | Tripathi, 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.pdf | spa |
dc.relation.references | Varela, 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.references | Zamorano Ruiz, J. (2018). Comparativa Y Análisis De Algoritmos. | spa |
dc.contributor.cvlac | https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001495409 | * |
dc.contributor.cvlac | Espinosa Carreño, María Alexandra [0001495409] | spa |
dc.contributor.googlescholar | Espinosa Carreño, María Alexandra [Ve6S8ocAAAAJ&hl] | spa |
dc.contributor.orcid | https://orcid.org/0000-0003-1411-0828 | * |
dc.contributor.orcid | Espinosa Carreño, María Alexandra [0000-0003-1411-0828] | spa |
dc.contributor.researchgate | https://www.researchgate.net/profile/Maria_Espinosa_C | * |
dc.contributor.researchgate | Espinosa Carreño, María Alexandra [Maria-Espinosa-C] | spa |
dc.subject.lemb | Ingeniería de sistemas | spa |
dc.subject.lemb | Innovaciones tecnológicas | spa |
dc.subject.lemb | Explotación agrícola | spa |
dc.subject.lemb | Cultivos alimenticios | spa |
dc.subject.lemb | Tecnología agrícola | spa |
dc.subject.lemb | Desarrollo agrícola | spa |
dc.identifier.repourl | repourl:https://repository.unab.edu.co | spa |
dc.description.abstractenglish | In 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.proposal | Dataset | spa |
dc.subject.proposal | Minería de datos | spa |
dc.subject.proposal | Agricultura | spa |
dc.subject.proposal | Inteligencia artificial | spa |
dc.subject.proposal | Modelo de decisión | spa |
dc.subject.proposal | Pequeño agricultor | spa |
dc.subject.proposal | Aprendizaje automático | spa |
dc.type.redcol | http://purl.org/redcol/resource_type/TP | |
dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 2.5 Colombia | * |
dc.contributor.apolounab | Espinosa Carreño, María Alexandra [maria-alexandra-espinosa-carreño] | spa |
dc.coverage.campus | UNAB Campus Bucaramanga | spa |
dc.description.learningmodality | Modalidad Presencial | spa |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Ingeniería de Sistemas [374]