Por favor, use este identificador para citar o enlazar este ítem: http://dspace.espoch.edu.ec/handle/123456789/19266
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorRodríguez Flores, Ivonne Elizabeth-
dc.contributor.authorLazo Pilatuña, José Rodrigo-
dc.contributor.authorMoreano Moncayo, Alex Vladimir-
dc.date.accessioned2023-08-10T20:15:40Z-
dc.date.available2023-08-10T20:15:40Z-
dc.date.issued2021-11-05-
dc.identifier.citationLazo Pilatuña, José Rodrigo; Moreano Moncayo, Alex Vladimir. (2021). Desarrollo de un sistema inteligente para predecir los consumos de medicamentos genéricos de mayor demanda en el distrito de salud 06d05 guano-penipe, aplicando técnicas de regresión de machine learning. Escuela Superior Politécnica de Chimborazo. Riobamba.es_ES
dc.identifier.urihttp://dspace.espoch.edu.ec/handle/123456789/19266-
dc.descriptionEn el presente trabajo de integración curricular se desarrolló un sistema inteligente para predecir consumos de medicamentos genéricos de mayor demanda en el Distrito de Salud 06D05 Guano – Penipe utilizando técnicas de regresión de machine learning. En el proceso de proyecciones se identificaron 5 subprocesos los cuales son: petición de proyecciones, compilación de información por bodega, comparación de la información, elaboración de la proyección de medicamentos genéricos de mayor demanda y elaboración del informe; el proceso de proyecciones tiene una duración de 25 días. Para el desarrollo del producto se definieron 3 fases, mismas que se indican a continuación: análisis de la solución, diseño de la solución y desarrollo de la solución. En el análisis de la solución se analizaron los datos con la finalidad de obtener el modelo mediante la metodología CRISP-ML, donde se eligió la técnica de regresión lineal múltiple con un coeficiente de determinación del 0.78 que superó el criterio de éxito establecido. Después se realizó el diseño de la solución mediante un diagrama que indica el flujo de la información hasta la predicción. En el desarrollo de la solución se gestionó el proyecto con la metodología SCRUM donde se desarrollaron 8 sprints con una duración de 1120 horas mediante el lenguaje de programación Python con el framework Django. Para evaluar el tiempo se aplicó la norma ISO/IEC 25010, se midió el tiempo en el proceso actual y el proceso automatizado. El análisis determinó que en términos de eficiencia de desempeño el sistema califica como muy bueno al obtener una calificación ponderada de 87.5% que se obtuvo evaluando el comportamiento temporal y el uso de recursos del sistema. El sistema inteligente mejora el tiempo del proceso de proyecciones en un 35.48% del tiempo actual al existir un ahorro de 433.92 segundos.es_ES
dc.description.abstractIn the current curriculum integration work, an intelligent system was developed to predict consumption of generic medicine of greater demand in the Health District 06D05 Guano - Penipe using machine learning regression techniques. In the projection process, 5 sub-processes were identified, which are: request for projections, compilation of information by the cellar, comparison of information, preparation of the projection of generic medicine with the highest demand and preparation of the report; the projection process lasts 25 days. For the development of the product, 3 phases were defined: analysis of the solution, design of the solution and development of the solution. In the analysis of the solution, the data were analyzed in order to obtain the model using the CRISP-ML methodology, where the multiple linear regression technique was chosen with a coefficient of determination of 0.78 that exceeded the established success criteria. Then, the solution was designed using a diagram that indicates the flow of information until the prediction. In the development of the solution, the project was managed with the SCRUM methodology where 8 sprints were developed with a duration of 1120 hours using the Python programming language with the Django framework. To evaluate the time, the ISO / IEC 25010 standard was applied, the time was measured in the current process and the automated process. The analysis determined that in terms of performance efficiency, the system qualifies as very good, obtaining a weighted score of 87.5% that was obtained by evaluating the time behavior and use of system resources. The intelligent system improves the projection process time by 35.48% of the current time by saving 433.92 seconds.es_ES
dc.language.isospaes_ES
dc.publisherEscuela Superior Politécnica de Chimborazoes_ES
dc.relation.ispartofseriesUDCTFIYE;18T00855-
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.subjectMACHINE LEARNING (ML)es_ES
dc.subjectFRAMEWORK DJANGOes_ES
dc.subjectMETODOLOGÍA DE DESARROLLO ÁGIL (SCRUM)es_ES
dc.subjectLENGUAJE DE PROGRAMACIÓN PYTHONes_ES
dc.titleDesarrollo de un sistema inteligente para predecir los consumos de medicamentos genéricos de mayor demanda en el distrito de salud 06d05 guano-penipe, aplicando técnicas de regresión de machine learning.es_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.contributor.miembrotribunalBastidas Guacho, Gisel Katerine-
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
Aparece en las colecciones: Ingeniería en Sistemas Informáticos; Ingeniero/a de Software

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
18T00855.pdf2,63 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons