Influencia de la Inteligencia Artificial en la proyección de presupuestos. V2

Formato de Artículo de Semillero o investigación
TÍTULO: Influencia de la Inteligencia Artificial en la proyección de presupuestos.
TITLE: Influence of Artificial Intelligence on budget projection.
Autor 1:
Norma Yohanna Vidales Rincon
Programa de Contaduría pública virtual, Facultad de Ciencias Económicas y
Administrativas, Universidad El Bosque, Bogotá
Correo electrónico: [email protected]
Director
Héctor Rodrigo Ospina Estupiñán
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 1 | 29
Resumen y abstract:
Propósito: El presente estudio tiene como propósito documentar la
influencia que genera la inteligencia artificial sobre la proyección de presupuestos
y la forma en que trata de mejorar los procesos presupuestarios en las compañías
que aun utilizan los métodos tradicionales.
Diseño / metodología / enfoque: En el presente estudio el (los) autor(es) utilizó
(utilizaron) como instrumento… (Enunciar brevemente cómo se hizo el estudio:
Entrevistas, grupos focales, revisión documental, etc. No más de cuarenta
palabras).
Estos aspectos sólo para cuando la investigación ha terminado (no
para el proyecto).
Hallazgos: Resaltar los resultados más sobresalientes. No más de cuarenta
palabras.
Limitaciones / implicaciones de la investigación: En dos o tres oraciones,
describir el tema y el motivo de la revisión, incluir alguna tendencia o perspectiva
emergente que surja de su revisión o estudio.
Para el caso de revisiones de la literatura, en dos o tres oraciones, describir
el tema y el motivo de la revisión, incluir alguna tendencia o perspectiva
emergente que provoque su revisión o surja de su revisión.
Palabras claves: Presupuesto, inteligencia artificial, aprendizaje automático,
proyección.
Keywords: Budget; artificial intelligence; automatic learning
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 2 | 29
Introducción
La introducción del artículo científico es la parte que hace referencia a la apertura
del mismo, situando al lector en contexto y exponiendo, entre otras cosas, el tema
que se va a tratar, el problema de investigación, los antecedentes en los que se
basa el estudio, los objetivos, el valor del trabajo realizado, así como su
justificación y aporte final. Es por ello la parte del artículo que resume en qué
consiste el mismo, incorporando una síntesis de sus aspectos más determinantes.
La introducción debe contener al menos los siguientes datos:
● Definición del problema: Se debe abordar la naturaleza y el alcance del
problema de investigación, de manera concisa, enunciando la pregunta de
investigación o las hipótesis que desean ser testeadas.
● Objetivos: deben estar en concordancia con la pregunta o hipótesis de
investigación y ser coherente con el resto del artículo.
● Importancia del tema: Debe introducirse el qué y el porqué del trabajo
realizado, soportado por una bibliografía actual y robusta, y destacándose el
valor académico del mismo. También debiera establecerse la delimitación del
tema por razones de espacio editorial, recursos investigativos, o de otra índole,
si fuera pertinente. En este aparte debe incluir por lo menos los siguientes
aspectos:
✔
Implicaciones prácticas: Esta investigación será de gran utilidad para
aquellos estudiantes y empresarios que deseen aprenden sobre modelos de
inteligencia artificial aplicados a la gestión financiera, con el objetivo de
predecir, clasificar y simplificar procesos.
✔
Implicaciones sociales: Los beneficiarios serán aquellos empresarios que
deseen aplicar este tipo de modelos de inteligencia artificial a sus procesos de
proyección presupuestaria, tomando como base el estudio documental de la
investigación.
✔
Originalidad / valor: Se encuentran muy pocas publicaciones científicas o
tesis que daten al respecto sobre la influencia de la inteligencia artificial con los
modelos presupuestarios existentes.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 3 | 29
●
Antecedentes:
Para la búsqueda de los artículos pertinentes como apoyo teórico para la
investigación en curso se utilizaron buscadores y gestores de bases de datos
como ScienceDirect, Scopus, Pubmed, ProQuest, Springer, Redalyc,
Biblioteca
Juan Roa Vásquez, Google Académico para la búsqueda digital se insertaron las
siguientes palabras claves:
Búsqueda
Presupuestos
Inteligencia
Artificial
aprendizaje
automático
Google
Acad.
Total
32.532
Bib.
Juan
Roa V
83
654.000
858.608
3.649
1.874
33
130.000
189.207
44
183
1
143.000
149.112
Science
Direct
Scopus
Pubmed
ProQuest
Springer
Redalyc
3.516
160
24
167.561
732
1.404
260
249
51.738
565
282
9
5.028
con estas palabras clave la búsqueda se hacía muy extensa así que se tomó la
decisión de con operadores booleanos delimitar la búsqueda para empezar a
filtrar, así que la búsqueda inicio nuevamente con las siguientes frases y
operadores booleanos, Presupuesto AND Inteligencia AND artificial donde de
acuerdo con las bases de datos anteriormente consultadas solo le hallaron
resultados en:
Búsqueda avanzada
Presupuesto AND Inteligencia AND
artificial
Presupuesto AND aprendizaje AND
automático
Proyección AND presupuestal AND
inteligencia AND artificial
Science
Direct
Scopus
ProQuest
Springer
Google
Acad.
Total
37
9
2.740
8
39.000
41.794
35
-
436
10
16.700
17.181
-
-
28
-
322
350
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 4 | 29
Tabla 1. Estado del arte
Título
Estudio de la gestión del presupuesto en el
ISMMM utilizando minería de datos
Aplicación de la Ciencia de Datos para la
predicción de la Demanda
Financial Forecasting Using Machine
Learning
Análisis comparado de técnicas de
aprendizaje automático con la regresión
logística en la detección de procesos de
dificultad financiera en la empresa española.
Bitcoin financial forecasting
Año de
Publicación
Autor
Yiezenia Rosario Ferrer, Yanelis Gé
Guilarte
Marta Pérez Ramis
2013
2017
2016
Solomon Addai
Pedro Carmona Ibáñez, Julián Martínez
Vargas, José Pozuelo Campillo
2016
Amit Chauhan, Manish Kumar, Vinay
Kumar Saini
2019
Presupuestos Enfoque de gestión,
planeación y control de recursos
Jorge E. Burbano Ruiz
2010
Elaboración de los presupuestos generales y
estado de resultados en la empresa industrial
"xx" en sus operaciones trimestrales.
Peñafiel Cruz Diana Dennisse
2019
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 5 | 29
Desarrollo de un software para la gestión de
proyectos de desarrollo PM4R que permita
automatizar la etapa de planificación para
estimar tiempos a través de algoritmos de
aprendizaje automático. *
Jorge Enrique Espinoza Muñoz
2019
Evaluación de un modelo de predicción del
gasto farmacéutico en atención primaria de
salud basado en variables demográficas
Sonia Santamargarita-Pérez, Carla
Sancho-Mestre, David VivasConsuelo, Ruth Usó-Talamantes
2013
Análisis, evaluación y predicción de riesgos
financieros mediante métodos de
aprendizaje automático *
Institute of new imaging technologies
2018
Machine Learning, una pieza clave en la
transformación de los modelos de negocio *
Management Solutions
2019
Fernando Pavón Pérez
2016
Propuesta de un modelo de elaboración de
presupuesto sistematizado, para la adecuada
toma de decisiones gerenciales de la
compañía Agrovictoria S.A. productora y
exportadora de banano ubicado en la ciudad
de Guayaquil *
Mendoza Silva Zoila Isabel
2018
Estudio y predicción de activos financieros
mediante redes neuronales *
Fernando Santamaría Vázquez
2019
Modelos predictivos para el mercado
FOREX
Alejandro Huertas López
2015
Generación de Conocimiento basado en
Aprendizaje Automático y Aplicación en
Diferentes Sectores.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 6 | 29
Identificación Predictiva de Fallos POS A
Través del Uso de Algoritmos de
Aprendizaje Automático
Carlos Huérfano Lenis
2020
Una mirada al presupuesto anual de ventas de
rautenstrauch & villers a partir de los números
borrosos: el manejo de la incertidumbre y la
subjetividad
Fabián Alberto Castiblanco Ruiz
2014
Presupuestos, planificación y control
Welsch Hilton Gordon Rivera
2005
Tras realizar una exhaustiva búsqueda de 322 investigaciones a nivel
europeo y Latinoamericano relacionado con el tema de proyección presupuestaria
con inteligencia artificial, se han resaltado 50 investigaciones por ser de naturaleza
mixta que dan luz a este estudio, aportando variables que influyen de manera
directa e indirecta al mismo, finalmente para el análisis de información se
incluyeron los 7 artículos de alta significancia por sus directos aportes a la
investigación, aportes que se citan a continuación:
Estudio de la gestión del presupuesto en el ISMMM utilizando minería de
datos de los autores Yiezenia Rosario Ferrer, Yanelis Gé Guilarte (2013) tiene
como objetivo realizar el descubrimiento de conocimiento oculto en los datos del
presupuesto almacenados desde el 2004, registrados en documentos en formato
Excel, por medio del uso de las técnicas obtención de modelos para lograr
mejoras en el proceso de elaboración del presupuesto en el ISMMM. El proceso
de obtención de conocimiento fue realizado utilizando la metodología CRISP-DM y
a la herramienta de análisis de datos WEKA.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 7 | 29
Aplicación de la Ciencia de Datos para la predicción de la Demanda de
Marta Pérez Ramis (2017), tiene como objetivo partir de la aplicación de Ciencias
de Datos mediante el empleo de la herramienta de programación Python en
distintos algoritmos de regresión para identificar la tendencia del mercado
mediante las distintas variables del modelo recogido en el histórico. La predicción
de las distintas variables de conteo de la demanda se establecerá a través de la
aplicación de los algoritmos de Machine Learning sobre los modelos de regresión.
Evaluando, mediante distintas métricas de puntuación, la aproximación de los
modelos de ajustes a los datos, calculados a partir de los algoritmos de predicción,
a los valores históricos.
Financial Forecasting Using Machine Learning, de Solomon Addai (2016)
tiene como propósito aplicar cinco técnicas diferentes para predecir el movimiento
de los rendimientos diarios del índice bursátil Standard and Poor 500 (S&P 500)
con técnicas son la Red Neuronal Artificial (RNA), el modelo Logit, Análisis
Discriminante Lineal (LDA), Análisis Discriminante Cuadrático (QDA) y Vecino KCercano clasificación del capó (KNN). Los resultados mostraron que la RNA se
desempeñó relativamente mejor en las clasificaciones de los movimientos
ascendentes y descendentes de los retornos que las otras técnicas.
Análisis comparado de técnicas de aprendizaje automático con la regresión
logística en la detección de procesos de dificultad financiera en la empresa
española por los autores Pedro Carmona Ibáñez, Julián Martínez Vargas, José
Pozuelo Campillo (2016) tiene como objetivo analizar nuevos modelos de
predicción de fracaso empresarial basados en las técnicas del AdaBoost y del
“Gradient Boosting Machine” (GBM) con la técnica Logit, con objeto de determinar
si añade mejoras en eficacia y precisión. Analizando una muestra de 1.506
empresas se ha comprobado que GBM logra la mayor capacidad predictiva,
seguida de AdaBoost y la Regresión Logística.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 8 | 29
Desarrollo de un software para la gestión de proyectos de desarrollo PM4R
que permita automatizar la etapa de planificación para estimar tiempos a través de
algoritmos de aprendizaje automático, de Jorge Enrique Espinoza Muñoz (2019)
tiene como propósito de desarrollar un software para permitir una estimación de la
duración de los proyectos (tiempos) haciendo uso de la data histórica, para lo cual
se procede a generar data en base a un conjunto de datos público del Banco
Mundial. usando Machine Learning.
Propuesta de un modelo de elaboración de presupuesto sistematizado,
para la adecuada toma de decisiones gerenciales de la compañía Agrovictoria
S.A. productora y exportadora de banano ubicado en la ciudad de Guayaquil del
autor Mendoza Silva Zoila Isabel (2018) el estudio tuvo como objetivo principal la
propuesta de un modelo de elaboración de presupuesto sistematizado para la
adecuada toma de decisiones gerenciales en la compañía, permitiéndonos aportar
con recomendaciones para obtener procesos contables eficientes, así mismo
facilitar a las personas involucradas una manera práctica de elaboración de
presupuestos.
Estudio y predicción de activos financieros mediante redes neuronales del
autor Fernando Santamaría Vázquez (2018) tiene como objetivo explorar la
posibilidad de predecir el comportamiento de los mercados financieros mediante el
uso de las técnicas de aprendizaje automático y más concretamente con redes
neuronales. Para ello se experimentó con una serie de indicadores financieros
implementados en una red neuronal. Los resultados de las predicciones muestran
respuestas bastante ajustadas a la realidad, con errores máximos pequeños.
El marco teórico y/o conceptual
Entre las muchas definiciones presupuestarias que existen en el mundo
financiero, podemos mencionar las siguientes, de acuerdo con Burbano (2005), el
presupuesto es una expresión cuantitativa formal de los objetivos que se propone
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 9 | 29
alcanzar la administración de la empresa en un periodo, con adopción de
estrategias necesarias para lograrlos. (p. 18).
Por otra parte, Welsch et al. (2005) considera que la planificación y el
control de la utilidad de la empresa está en gran medida relacionada con la visión
estructural y reglamentaria de esta, en la cual se desempeñan roles importantes a
nivel administrativo, los cuales influyen en el comportamiento del presupuesto, es
por ello por lo que plantea seis procesos claves para lograr la eficiencia de dicho
presupuesto.

El planteamiento de objetivos generales a largo plazo destinados a la
empresa.

Abarcar procesos para el entendimiento de metas de la empresa.

Determinaciones estratégicas generales a largo plazo.

Determinaciones estratégicas y específicas en un corto periodo de tiempo
desarrollado por asignaciones.

Establecer
un
sistema
de
seguimiento
continuo
que
detalle
el
comportamiento por responsabilidades asignadas.

Implantación, seguimiento y verificación de procesos.
En este orden de ideas, se puede determinar que, para una planificación
armónica y ejecución eficiente del presupuesto, es necesario adaptar los objetivos
y distribución de funciones y tareas específicas a los deseos de las
organizaciones, adicional todos los departamentos implicados deben interiorizar
dichos objetivos de forma directa o indirecta, ya que esto asegura una
implementación óptima o, por el contrario, el no cumplimiento de los objetivos.
Actualmente en el procedimiento presupuestario de la Unión Europea se
puede apreciar la intervención de varios actores como, el parlamento europeo, la
comisión europea y el consejo de la unión europea, los cuales comparten el poder
de decidir sobre todo el presupuesto anual de la UE.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 10 | 29
A diferencia de la proyección, aprobación y ejecución del presupuesto que
se plantea desde una mirada más empresarial, este tipo de presupuestos implican
una serie de procesos especiales los cuales inician desde el planteamiento del
presupuesto anual el cual es centralizado en la comisión y esta se encarga de
enviarlo al Parlamento y al consejo de la UE. Se debe tener en cuenta tanto la
posición del parlamento como la del consejo, si no hay un acuerdo entre las partes
se debe llevar hasta el comité de conciliación que cuenta tanto con representantes
del consejo como del parlamento donde se debe generar un acuerdo en un
término de 21 días. Finalmente, si se llega a un acuerdo la aprobación de dicho
presupuesto será dada por el Parlamento y el consejo de la UE.
Por otra parte, el proceso de planeación y aprobación del presupuesto en
Estados Unidos, según USA.GOV (s.f) empieza a aproximadamente 18 meses
antes de la entrada en vigor de este, los departamentos junto con las agencias
encargadas se reúnen a trabajar en las propuestas para que estas sean enviadas
a la Casa Blanca y así solicitar un pedido de presupuesto al presidente.
Adicional al plan o propuestas presentadas por los departamentos y
agencias el presidente también debe presentar su plan de presupuesto ante el
Congreso, el cual es enviado el primer lunes del mes de febrero. Una vez
enviadas las propuestas de ambas partes, la Cámara de Representantes y el
Senado deben analizar las propuestas sus niveles de gasto, para finalmente
resolver las diferencias de las dos propuestas y generar una versión final para que
tanto la Cámara de representantes como el senado voten por estas.
Una vez finalizado el proceso anterior, los respectivos comités de
asignaciones distribuyen los fondos aprobados entre 12 subcomités dado que
ellos serán los encargarán de la supervisión y monitoreo de los fondos de
agencias como medio ambiente, transporte y viviendo o del interior. Nuevamente
estas asignaciones pasan por un proceso de aprobación y votación ante la
Cámara y el Senado para que sean aprobadas como ley de asignaciones, una vez
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 11 | 29
aprobadas estas pasan al presidente para ser firmadas antes del 30 de septiembre
y si por algún motivo no llegasen a ser firmadas por el mandatario el Gobierno no
tendría presupuesto para el nuevo año fiscal.
Dentro de las funciones del presupuesto, es importante destacar que una
buena planeación, ejecución y control del presupuesto, dependerá en gran medida
de la dirección de las organizaciones, estas incluyen a todos aquellos
colaboradores que formen parte del esquema de las compañías.
Con la intensión de fortalecer aún más porque es necesario llevar a cabo
una planeación de presupuesto, Doncel y Montes (2017, p. 29), nos comparten
algunas ventajas y desventajas del presupuesto:
Ventajas:

El presupuesto permite identificar cuanto se ha ejecutado en los procesos y
cuanto hay comprometido o que hay en el momento por ejecutar.

Permite identificar los posibles riesgos financieros que puede tener las
compañías durante la ejecución del presupuesto; con el fin de buscar una
alternativa inmediatamente para solventar la crisis.

El presupuesto a su vez facilita la coordinación y el control adecuado de los
diferentes recursos y procesos que esté realizando la empresa. (se
establece una estructura organizacional en cuanto a lo referente a costos y
gastos).

El presupuesto reconoce ser una herramienta estratégica a la hora de
tomar decisiones por parte de la gerencia financiera o planificar futuros
eventos y a su vez están apoyados en los estados financieros de la
empresa.
Desventajas:

En el presupuesto en algunas ocasiones no se cuenta con la información
actualizada por parte de las personas que están involucradas en su
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 12 | 29
elaboración, ejecución y control. (falta de información contable adecuada y
oportunamente).

Falta de una cultura de responsabilidad y control por parte de los
encargados del presupuesto y demás agentes involucrados.
Los puntos anteriormente mencionados dan luz al trabajo que debería
facilitar el uso de la inteligencia artificial en el proceso la proyección de
presupuesto, puesto que permitiría identificar y minimizar errores humanos, la
información estaría actualizada a la fecha de consulta, garantizando una adecuada
toma de decisiones, adicional generaría ahorro en tiempo, mano de obra y gastos
por malas proyecciones.
Asimismo, Luján (2016, p, 17), precisa que la proyección, ejecución y
control del presupuesto son la base para conseguir el éxito de la organización,
puesto que mediante este se pueden realizar comparaciones de resultados frente
a los años anteriores, determinando cuales fueron las causantes de su variación y
como estas pueden generar acciones correctivas hacia el futuro, es decir hacia las
nuevas proyecciones. Enfatiza en que “la ausencia de presupuestos imposibilita
cuestionar los resultados conseguidos en cuanto a venta, abastecimientos
producción y/o utilidades”.
Desde el siglo pasado una gran cantidad de empresas han venido
trabajando según la metodología SIT (Systematic Inventive Thinking), que se
centra en el desarrollo de innovaciones entre los empleados basadas en el diseño,
la estrategia, la gestión del conocimiento y la cultura. Esto se logra bajo un
proceso sistemático, en donde el primer paso es encontrar una necesidad seguido
de proponer posibles soluciones, mejoras o transformaciones a los productos,
servicios o procesos de las compañías, desde el pensamiento creativo orgánico de
la empresa.
Para Mendoza (2018), dentro de los procesos de las compañías la
proyección presupuestal ha tenido lugar de alta importancia, con la característica
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 13 | 29
base de una totalidad de procesos manuales, donde el tiempo de presentación y
consolidación de la información, en muchos casos presentan inexactitudes, lo que
genera sobre costos a las compañías, retrasos en los proyectos y pérdidas
económicas
De acuerdo con lo anterior y en el marco de la metodología del aprendizaje
automático , en lo que respecta a la transformación de carácter administrativo u
operativo, este artículo de investigación busca documentar como la inteligencia
artificial mejora la calidad de las mediciones y pronósticos, aumentando
razonablemente la precisión de las variables que tienen mayor importancia en los
modelos manualmente implementados, reduciendo las variables exógenas que
modifican las mediciones y afectan negativamente la calidad de los pronósticos
presupuestarios
Definición modelo de inteligencia artificial
El aprendizaje automático es el campo de estudio que le da a la
computadora la capacidad de aprender sin ser programada explícitamente Arthur
Samuel (1959), donde ese aprendizaje se da a partir del desarrollo de algoritmos y
su aplicación a los datos.
A partir de esto los algoritmos el machine Learning permiten realizar
predicciones o clasificaciones para tomar decisiones en función de la extracción
de características o patrones provenientes de los datos, logrando así precisión y
efectividad dado los ajustes de los parámetros e hiperparámetros de los modelos.
Los algoritmos de machine Learning fundamentalmente son usados para:

Cálculo de fronteras bayesianas entre clases etiquetadas y no etiquetadas.

Regresiones lineales y no lineales para datos etiquetados y no etiquetados.

Generación de políticas con base al reforzamiento del aprendizaje.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 14 | 29
Existen diversidad de campos de aplicación de este tipo de algoritmos
como el sector salud para el diagnóstico de lesiones dermatológicas, cáncer de
mama, retinopatía diabética, neumonía infantil, hemorragias intracraneales entre
otros; en el sector banca como predicción del comportamiento del consumidor y
otorgamiento de créditos, probabilidad de incumplimiento de nuevos pagos de los
clientes en función de los pagos atrasados, predicción de quiebras de empresas
dado por información sobre los mercados emergentes de todo el mundo, pérdida
de clientes comportamiento del mercado, detección de fraude bancario entre otros
y el sector gobierno en el procesamiento de lenguaje natural para realizar trámites
a través de la voz, reconocimiento visual para verificar y autentificar las facturas
electrónicas, detección de emociones de clientes en las instalaciones y determinar
el clima emocional, detección de fraude y robo de identidad o finalmente
predicción de precios de viviendas en el territorio nacional.
En síntesis, el aprendizaje automático (ML) es una herramienta para extraer
características de los datos o patrones de los datos cuyo uso en el campo
financiero, podría pronosticar o predecir la oferta, la demanda o inventario del
mercado y mejorar el desempeño comercial de una compañía.
Terminología del aprendizaje automático:
A continuación, se dan a conocer algunos de los conceptos básicos
mayormente usados en los algoritmos de aprendizaje automático. En este
apartado se presenta una definición de cada uno de estos conceptos.

Instancia: se le llama instancia a una fila de información que proviene de
una base de datos (Müller y Guido, 2017).

Característica (Feature): A una sola columna de datos se le llama
característica. Así mismo se les conocen como predictores a las
características que son usadas para hacer predicciones (Gollapudi, 2016).
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 15 | 29

Dimensión. Es un conjunto de atributos usados para describir una
propiedad de la información (Gollapudi, 2016).

Datos de entrenamiento: En el contexto del aprendizaje de maquina es el
conjunto de datos (dataset) o colección de muestras usados para entrenar
el modelo de aprendizaje (Bowles, 2015).

Datos de prueba: Conjunto de datos usados para validar la precisión del
modelo pero que no se utiliza para entrenarlo. Puede llamarse conjunto de
datos de validación (Hackeling, 2014).

Modelo. Un modelo es el resultado de los algoritmos aplicados a un
conjunto de datos (Gollapudi, 2016).

Parámetros del modelo: Son los coeficientes finales que pertenecen al
modelo encontrado (Hackeling, 2014).

Hiperparámetros: Es un parámetro de un algoritmo de aprendizaje (no del
modelo). Estos se definen antes al entrenamiento y permanece constante
durante el entrenamiento por medio de las reglas de aprendizaje
generadoras del modelo (Müller y Guido, 2017).

Métrica: Medida cuantitativa usada para evaluar el rendimiento del
algoritmo (Hackeling, 2014).
Clasificación de los algoritmos del aprendizaje automático.
Los algoritmos de aprendizaje de máquinas se clasifican en tres grandes grupos:
 Aprendizaje supervisado,
 Aprendizaje no supervisado y
 Aprendizaje por reforzamiento.
Aprendizaje supervisado
Según Ozdemir (2016) el aprendizaje supervisado es una técnica que
"encuentra asociaciones entre las características de un conjunto de datos y una
variable objetivo (...) estas asociaciones le permiten al aprendizaje supervisado
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 16 | 29
hacer predicciones basados en información pasada". El aprendizaje supervisado
implica modelar la relación entre las características de los datos y una clase final o
etiqueta; una vez que se determinan los parámetros del modelo junto con las
métricas de validación, se puede usar para determinar etiquetas a datos
desconocidos.
El aprendizaje supervisado se subdivide en algoritmos de regresión y de
clasificación:
Algoritmos de regresión:
-
Regresión Lineal Multivariada: metodología basada en la minimización de la
suma de mínimos cuadrados del conjunto de datos X (variables explicativas
o independientes) para devolver una aproximación lineal del valor Y
(variable predicha o dependiente), creando una función de hiperplano
destinada a comprobar hipótesis y relaciones causales.
𝑦𝑖 = 𝛽1 + 𝛽2𝑥2𝑖 + 𝛽3𝑥3𝑖 + ⋯ + 𝛽𝑗 𝑥𝑗𝑖
Imagen 1. Elaboración propia a partir de simulaciones
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 17 | 29
-
Regresión Ridge: En este tipo de algoritmo se impondrá una penalidad
sobre los coeficientes calculados, de tal manera que se modificará el error
de los mínimos cuadrados como:
El hiperparámetros α, llamado complejidad, controla qué tanto se penaliza
los coeficientes, haciendo que éstos sean más pequeños y por tanto estabilizando
las soluciones, aunque a costa de una menor sensibilidad a los datos.
-
Regresión Lasso: Al igual que el algoritmo Ridge, Lasso impone una
penalidad sobre la función de error del OLS, pero ésta en cambio está dada
por el valor absoluto de los coeficientes, así:
Esto hace que a diferencia de Ridge que buscaba hacer pequeños los
valores de algunos wi, Lasso fuerza a que sean 0.
Así, puede decirse que Ridge es bueno cuando esperamos que todos los
predictores tengan una influencia sobre el predictor así sea pequeña, mientras que
Lasso se usará cuando esperamos que el número de predictores relevantes sea
pequeño (predictores con peso diferente de 0).
-
Regresión Elástica: Es posible hacer una combinación de los métodos de la
regresión rigde y la regresión lasso. A las regresiones que usan una
combinación de ambas penalidades se les conoce como ElasticNet.
Note que cuando ρ=1 tenemos la regresión Lasso, y con ρ=0 tendremos la
de Ridge, por tanto, en las redes elásticas 0≤ρ≤1.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 18 | 29
Algoritmos de clasificación:
Los algoritmos de clasificación se utilizan en escenarios de donde las
etiquetas están discretizadas para la agrupación de datos numéricos en categorías
(Alatrista Salas, 2016).
-
SVM (Maquina de Vector de Soporte): Este modelo busca seleccionar un
hiperplano (objeto divisor) de separación equidistante a los puntos más
cercanos a cada clase para conseguir un margen máximo. Los puntos que
caen en la frontera de dichos márgenes se denominan vectores de soporte
(Carmona Suárez, 2014).
Imagen 2. Regresor delegado, un enfoque sólido para la detección automatizada de anomalías en
los datos de series temporales de radón del suelo.
-
Regresión Logística: La regresión logística es una variación de la regresión
lineal, la cual resulta útil en los casos en que la variable dependiente, y, es
categórica, la regresión logística produce un resultado de la probabilidad
que una instancia pertenezca a una clase dada. La regresión logística
ajusta entonces una curva en forma de "S", tomando la regresión lineal
(xTw) y transformando la estimación numérica en una probabilidad (entre 0
y 1), mediante la función sigmoide:
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 19 | 29
Imagen 3. Elaboración propia a partir de simulaciones
-
Navie Bayes: Los modelos de Naive Bayes representan un conjunto de
algoritmos de clasificación los cuales se basan en el teorema de Bayes, Los
modelos de Naive Bayes representan un conjunto de algoritmos de
clasificación los cuales se basan en el teorema de Bayes.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 20 | 29
Imagen 4. Elaboración propia a partir de simulaciones
-
k-Nearest Neighbourhood (k-NN): El modelo consiste solo en el
almacenamiento en memoria de los datos de entrenamiento. Mediante este
algoritmo, la clase de una instancia se predice al buscar dentro de los datos
los vecinos más cercanos a la instancia.
Imagen 5. Elaboración propia a partir de simulaciones
Aprendizaje no supervisado
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 21 | 29
Según Marsland (2015) donde "las respuestas correctas no son
proporcionadas, sino en su lugar el algoritmo intenta identificar similitudes entre la
información de entrada de tal manera que al tener algo en común son
categorizadas en conjunto." El aprendizaje no supervisado implica modelos que
describen datos sin referencia a cualquier etiqueta conocida. Un caso común de
aprendizaje no supervisado es el de agrupamiento (clustering) en el que los datos
se asignan automáticamente a un cierto número de grupos discretos. Por ejemplo,
podríamos tener algunos datos bidimensionales.
Imagen 6. Elaboración propia a partir de simulaciones
A simple vista, está claro que cada uno de estos puntos es parte de un
grupo distinto. Dada esta entrada, un modelo de agrupamiento utilizará la
estructura intrínseca de los datos para determinar qué puntos están relacionados,
con un resultado como el siguiente.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 22 | 29
Imagen 7. Elaboración propia a partir de simulaciones
El principal reto en el aprendizaje no supervisado consiste en evaluar
cuándo un algoritmo aprende algo útil. Los algoritmos no supervisados se usan,
normalmente, en datos de los cuales no se tiene etiquetas, de tal forma que no
sabemos cuál debe ser la salida correcta. Por tal motivo, resulta muy difícil
identificar cuando un modelo se desempeña bien.
-
K-means: La agrupación k-means es uno de los algoritmos de agrupación
más simples y más usados. Mediante éste, se intenta encontrar los centros
de los clusters que sean representativos de ciertas regiones de los datos.
Imagen 8. Elaboración propia a partir de simulaciones
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 23 | 29
Aprendizaje por reforzamiento
Según Raschka (2015) este aprendizaje es "el desarrollo de un sistema
(agente) que mejora su rendimiento basado en interacciones con el entorno". El
entorno es el encargado de proporcionar información acerca de que tan buena es
la estrategia través de una función de recompensa (Marsland, 2015).
Se deben presentar los enfoques teóricos desde donde se va abordar la
investigación y, por ende, el problema planteado. De igual manera se deben
aportar los conceptos claves o base que comprende el desarrollo del artículo.
Emplear como mínimo mil (1000) palabras y como máximo mil quinientas (1500)
palabras. Tenga en cuenta la rúbrica del curso de Trabajo de Grado.
Método
● Tipo de investigación:
El desarrollo se da bajo la técnica de investigación cualitativa con un enfoque
● Las técnicas de investigación que se emplearon para desarrollar los
objetivos específicos de la investigación. Se deben describir diseños
estadísticos, simulaciones y pruebas, entre otros.
● Instrumentos de investigación de manera detallada.
● Describir el proceso de recolección, organización y sistematización de
la información. Organice por cada uno de los títulos de lo solicitado.
Estos aspectos sólo para cuando la investigación ha terminado (no
para el proyecto).
Resultados
Lo que se busca en esta sección es identificar con claridad qué se ha encontrado
en el estudio. Sólo se deben presentar resultados representativos de la
investigación. Los resultados deben ser esenciales para la discusión. Se
recomienda seguir los siguientes lineamientos:
Usar descriptivos tales como tablas, con los respectivos soportes estadísticos en
el caso de estudios cualitativos, la articulación de las categorías de análisis y los
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 24 | 29
objetivos de investigación. Agregar materiales de soporte que ayuden a soportar
los resultados que se hallaron. Utilizar subtítulos para mantener juntos los
resultados del mismo tipo y así facilitar la revisión y lectura. Para los datos, elija un
orden lógico que cuente una historia clara y la haga fácil de entender. En general,
esto será en el mismo orden que se presenta en la sección de métodos. No incluir
referencias en esta sección. Se están presentando los propios resultados, por lo
que no puede referirse a otros aquí. Si se hacen referencias a otros, es porque se
están discutiendo sus resultados, y esto debe incluirse en la sección de Discusión.
Discusión
Aquí se debe responder lo que significan los resultados. Probablemente es la
sección más fácil de escribir, pero la más difícil de acertar, y esto se debe a que es
la sección más importante del artículo.
Se debe realizar la Discusión correspondiente a los Resultados, pero no reiterar
los resultados. La discusión debe responder a por lo menos las siguientes
preguntas: ¿Cuáles son los nuevos puntos de vista / perspectivas / posiciones que
se ofrecen sobre los temas que se trataron y respecto a la literatura? ¿Cuáles son
las implicaciones para futuras investigaciones? ¿Cuáles son las limitaciones que
se encontraron en el estudio?
Se deben tener en cuenta las siguientes recomendaciones: Evitar declaraciones
que vayan más allá de lo que los resultados pueden respaldar. Evitar expresiones
inespecíficas como "valor más alto", "grado más bajo", "altamente significativo",
etc. Evitar la introducción repentina de nuevos términos o ideas. Se debe
presentar todo en la introducción y para enfrentar los resultados obtenidos aquí.
Siempre articular los objetivos y categorías de análisis para estudios cualitativos.
Para lograr buenas interpretaciones, pensar en articular las siguientes respuestas:
¿Cómo se relacionan los resultados con la pregunta u objetivos originales
delineados en la Introducción? ¿Los datos apoyan las Hipótesis? (Cuando se
hayan formulado). ¿Son los resultados del estudio consistentes con la literatura?
¿Qué investigación adicional sería necesaria para responder a las preguntas
planteadas por los resultados del estudio? Explicar qué hay de nuevo utilizando
lenguaje objetivo y racional
Estos aspectos sólo para cuando la investigación ha terminado (no
para el proyecto).
Conclusiones
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 25 | 29
Esta sección muestra cómo el trabajo avanza el campo desde el estado actual del
conocimiento. No se debe repetir el resumen o solo enumerar los resultados
experimentales. Las declaraciones triviales de los resultados del estudio son
inaceptables en esta sección. Proponer conclusiones generales en relación al
objetivo general y conclusiones específicas respecto a los objetivos específicos.
En esta sección se debe proporcionar una justificación científica clara para el
trabajo desarrollado e indicar usos y extensiones, si corresponden. Además, se
puede sugerir experimentos o debates futuros.
Declaración ética (no modifique el texto, ni lo omita).
Señale brevemente los criterios básicos de consentimiento informado
cuando la investigación contemple intervención de población humana, bajo
los criterios de “esta investigación no tiene ningún riesgo para los
participantes”
El autor declara que este trabajo de grado, se acoge a los principios, preceptos,
definiciones e indicaciones establecidos en la “Política de propiedad intelectual”
vigente en la Universidad El Bosque (Acuerdo No. 12746 de 2014), así como la
Circular No. 06 de 2002 de la Dirección nacional de derechos de autor.
Al tenor de lo anterior el autor (los autores) de este trabajo de grado ratifica(n) que
su trabajo es original y cumple con todo lo reglamentario sobre derechos de autor,
siendo el autor (los autores) el (los) único(s) responsable(s) del contenido y las
ideas planteadas en el presente manuscrito.
Referencias
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 26 | 29
Alatrista Salas, H. (2016). Orientación del curso Aplicaciones de Ciencias de la
Computación: Pre-procesamiento de datos. Lima.
Bowles, M. (2015). Machine Learning in Python. (Wiley, Ed.)
Burbano, Jorge. Presupuesto: Enfoque de gestion planeacion y control de
recursos. Mexico: Mac graw hill, 2005
Carmona Suárez, E. J. (2014). Máquinas de Vectores Soporte (SVM). Dpto. de
Inteligencia Artificial, ETS de Ingeniería Inforática, Universidad Nacional de
Educación a Distancia (UNED), 1–25. Retrieved from
http://www.ia.uned.es/~ejcarmona/publicaciones/[2013Carmona]%20SVM.pdf
Doncel, E., & Montes, C. (2017). El presupuesto como herramienta de control de
gestión en la gerencia financiera en las empresas comerciales mi pyme.
[Tesis de especialización, Universidad la Gran Colombia]. Repositorio
Institucional UGC.
https://repository.ugc.edu.co/bitstream/handle/11396/4334/Presupuesto_her
ramienta_financiera_pymes.pdf?sequence=1&isAllowed=y
Gollapudi, S. (2016). Practical Machine Learning. (Packt Publishing, Ed.).
Hackeling, G. (2014). Mastering Machine Learning with scikit-learn.
Luján, J. (2016). Presupuestos. [módulo de estudio, cuarta versión]. Corporación
Universitaria Remington.
http://imagenes.uniremington.edu.co/moodle/M%C3%B3dulos%20de%20ap
rendizaje/presupuestos/Presupuestos%202016.pdf
Marsland, S. (2015). Machine Learning: An Algorithmic Perspective. Chapman and
Hall/CRC.
Mendoza, Z. I. (2018). “Propuesta de un modelo de elaboración de presupuesto
sistematizado, para la adecuada toma de decisiones gerenciales de la
compañía Agrovictoria S.A. productora y exportadora de banano ubicado en
la ciudad de Guayaquil” [tesis de pregrado, Universidad de Guayaquil].
Repositorio
institucional
de
la
universidad
de
guayaquil.
http://repositorio.ug.edu.ec/handle/redug/30807
Müller, A. C., & Guido, S. (2016). Introduction to Machine Learning with Python.
https://doi.org/10.1017/CBO9781107415324.004
Ozdemir, S. (2016). Principles of Data Science (1a ed.). Packt Publishing.
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 27 | 29
Raschka, S. (2015). Python Machine Learning. Packt Publishing.
https://doi.org/10.1007/s13398-014-0173-7.2
Samuel, A. L. (1959). Some studies in machine learning using the game of
checkers. IBM Journal of research and development, 3(3), 210-229.
Unión Europea. (s.f). Competencias presupuestarias.
https://www.europarl.europa.eu/about-parliament/es/powers-andprocedures/budgetary-powers
USAGov. Budget of the U.S. Government. https://www.usa.gov/budget
Welsch, Glenn, Ronald Hilton, Paul Gordon, y Carlos Rivera. Presupuestos,
planificación y control. 6. Mexico: Pearson Prentice Hall, 2005
Se recomienda consultar los recursos de la biblioteca en:
http://biblioteca.unbosque.edu.co/node/409
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 28 | 29
Reglamentación Semilleros y otros procesos - Facultad de Ciencias Económicas y Administrativas Universidad El Bosque
Página 29 | 29