Revisión sistemática de literatura: Técnicas de aprendizaje automático (Machine Learning)
Systematic literature review Machine Learning techniques
Barra lateral del artículo
PDF
FLIP
Cómo citar
Jiménez Alfaro, A. D., & Díaz Ospina, J. V. (2022). Revisión sistemática de literatura: Técnicas de aprendizaje automático (Machine Learning). Cuaderno Activa, 13(1), 113–121. Recuperado a partir de https://ojs.tdea.edu.co/index.php/cuadernoactiva/article/view/849
Publicado:
Feb 27, 2022
Sección
Artículos de revisión
Términos de Licencia (VER)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cuaderno Activa provee acceso libre inmediato a su contenido bajo el principio de hacer disponible gratuitamente la producción investigativa al ´´público, fomentando un mayor intercambio de conocimiento científico.
Creative-Commons Atribución - No comercial – Compartir igual. CC BY-NC-SA.
Contenido principal del artículo
Resumen
En la actualidad existen una gran diversidad de modelos que permiten realizar predicciones, de acuerdo a esto existen técnicas de machine learning que pueden ayudar a las organizaciones a potenciar sus ventas a través de estos modelos predictivos, En este artículo se efectúa una búsqueda de literatura científica especializada que brinde claridad de cuáles son las técnicas más usadas y bajo qué criterios son efectivas. Filtrando de acuerdo a las necesidades de la investigación y seleccionado los artículos más relevantes que den claridad sobre cómo ejecutar un proyecto de machine learning para el pronóstico de ventas. De acuerdo a la revisión realizada las diferentes técnicas de machine learning sé que encuentran en la literatura son evoluciones de diferentes técnicas conocidas, lo cual es un componente importante para mantener la competitividad empresarial, y bien empleadas podrían convertirse en herramientas potenciadoras de las ventas en las organizaciones.
Palabras clave:
Descargas
Los datos de descargas todavía no están disponibles.
Detalles del artículo
Referencias (VER)
[1] «Tech Term», 2019. [En línea]. Disponible en: https://techterms.com/search. [Accedido: 10-mar-2021].
[2] G. Westreicher, «Economipedia», 2020. [En línea]. Disponible en: https://economipedia.com/definiciones/pronostico-estadistica.html. [Accedido: 10-mar-2021].
[3] «Tableau», 2020. [En línea]. Disponible en: https://www.tableau.com/es-mx/learn/articles/business-intelligence. [Accedido: 10-mar-2021].
[4] G. I. Ahmad y J. Singla, «Machine learning techniques for sentiment analysis of indian languages», Int. J. Recent Technol. Eng., vol. 8, n.o 2 Special Issue 11, pp. 3630-3636, 2019.
[5] S. Athey y G. W. Imbens, «Machine Learning Methods Economists Should Know About | Stanford Graduate School of Business», Work. Pap., n.o March, 2019.
[6] Z. Ge, Z. Song, S. X. Ding, y B. Huang, «Data Mining and Analytics in the Process Industry: The Role of Machine Learning», IEEE Access, vol. 5, pp. 20590-20616, 2017.
[7] Z. Gong, P. Zhong, y W. Hu, «Diversity in Machine Learning», IEEE Access, vol. 7, pp. 64323-64350, 2019.
[8] O. Simeone, «A Very Brief Introduction to Machine Learning with Applications to Communication Systems», IEEE Trans. Cogn. Commun. Netw., vol. 4, n.o 4, pp. 648-664, 2018.
[9] M. Usama et al., «Unsupervised Machine Learning for Networking: Techniques, Applications and Research Challenges», IEEE Access, vol. 7, pp. 65579-65615, 2019.
[10] J. Wang, C. Jiang, H. Zhang, Y. Ren, K. C. Chen, y L. Hanzo, «Thirty Years of Machine Learning: The Road to Pareto-Optimal Wireless Networks», IEEE Commun. Surv. Tutorials, vol. 22, n.o 3, pp. 1472-1514, 2020.
[11] R. Aruna Flarence, S. Bethu, V. Sowmya, K. Anusha, y B. Sankara Babu, «Importance of supervised learning in prediction analysis», Period. Eng. Nat. Sci., vol. 6, n.o 1, pp. 201-214, 2018.
[12] D. Aggarwal, S. Mittal, y V. Bali, «Prediction model for classifying students based on performance using machine learning techniques», Int. J. Recent Technol. Eng., vol. 8, n.o 2 Special Issue 7, pp. 496-503, 2019.
[13] J. Vasa y K. Masrani, «Foreseeing employee attritions using diverse data mining strategies», Int. J. Recent Technol. Eng., vol. 8, n.o 3, pp. 620-626, 2019.
[14] R. Mosquera, O. D. Castrillón, y L. Parra, «Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos utilizando Técnicas de Inteligencia Artificial», Inf. tecnológica, vol. 29, n.o 4, pp. 267-280, 2018.
[15] O. Terrada, S. Hamida, B. Cherradi, A. Raihani, y O. Bouattane, «Supervised machine learning based medical diagnosis support system for prediction of patients with heart disease», Adv. Sci. Technol. Eng. Syst., vol. 5, n.o 5, pp. 269-277, 2020.
[16] B. Jayanthy y C. Senthamarai, «Feature selection using K-means genetic clustering to predict rheumatoid arthritis disease», Int. J. Recent Technol. Eng., vol. 8, n.o 3, pp. 7020-7023, 2019.
[17] S. Saini, S. P. Singh, y R. Agarwal, «Augmented machine learning ensemble extension model for social media health trends predictions», Int. J. Recent Technol. Eng., vol. 8, n.o 2 Special Issue 7, pp. 482-486, 2019.
[18] D. R. Gopagoni y P. V. Lakshmi, «Automated machine learning tool: The first stop for data science and statistical model building», Int. J. Adv. Comput. Sci. Appl., vol. 11, n.o 2, pp. 410-418, 2020.
[19] B. M. Henrique, V. A. Sobreiro, y H. Kimura, «Stock price prediction using support vector regression on daily and up to the minute prices», J. Financ. Data Sci., vol. 4, n.o 3, pp. 183-201, 2018.
[20] R. G. Lopes, M. Ladeira, y R. N. Carvalho, «Use of machine learning techniques in the prediction of credit recovery», Adv. Sci. Technol. Eng. Syst., vol. 2, n.o 3, pp. 1432-1442, 2017.
[21] R. Medar y V. S. Rajpurohit, «Supervised machine learning techniques for predicting sugarcane yield», Int. J. Recent Technol. Eng., vol. 8, n.o 2, pp. 5662-5668, 2019.
[22] R. Jafari-Marandi, «Supervised or unsupervised learning? Investigating the role of pattern recognition assumptions in the success of binary predictive prescriptions», Neurocomputing, vol. 434, pp. 165-193, 2021.
[23] W. Bao, N. Lianju, y K. Yue, «Integration of unsupervised and supervised machine learning algorithms for credit risk assessment», Expert Syst. Appl., vol. 128, pp. 301-315, 2019.
[24] A. Martínez, C. Schmuck, S. Pereverzyev, C. Pirker, y M. Haltmeier, «A machine learning framework for customer purchase prediction in the non-contractual setting», Eur. J. Oper. Res., vol. 281, n.o 3, pp. 588-596, 2020.
[25] S. Mohanapriya y S. Mohana Saranya, «Sales prediction using machine learning algorithm», Int. J. Adv. Sci. Technol., vol. 29, n.o 3 Special Issue, pp. 1049-1055, 2020.
[26] D. Raditya, E. P. Nicholas, A. S. Ferarida, y N. Hanafiah, «Predicting Sneaker Resale Prices using Machine Learning», Procedia Comput. Sci., vol. 179, pp. 533-540, 2021.
[27] J. Salminen, V. Yoganathan, J. Corporan, B. J. Jansen, y S. G. Jung, «Machine learning approach to auto-tagging online content for content marketing efficiency: A comparative analysis between methods and content type», J. Bus. Res., vol. 101, n.o September 2018, pp. 203-217, 2019.
[28] Z. Shahbazi, D. Hazra, S. Park, y Y. C. Byun, «Toward improving the prediction accuracy of product recommendation system using extreme gradient boosting and encoding approaches», Symmetry (Basel)., vol. 12, n.o 9, 2020.
[29] A. Sreekant, P. Senthilnathan, G. Gopichand, M. Rajapandy, y N. Kannan, «Necessity of machine learning and data visualization principles in marketing investment management», Int. J. Innov. Technol. Explor. Eng., vol. 8, n.o 6 Special Issue 4, pp. 527-530, 2019.
[30] T. Van Nguyen, L. Zhou, A. Y. L. Chong, B. Li, y X. Pu, «Predicting customer demand for remanufactured products: A data-mining approach», Eur. J. Oper. Res., vol. 281, n.o 3, pp. 543-558, 2020.
[2] G. Westreicher, «Economipedia», 2020. [En línea]. Disponible en: https://economipedia.com/definiciones/pronostico-estadistica.html. [Accedido: 10-mar-2021].
[3] «Tableau», 2020. [En línea]. Disponible en: https://www.tableau.com/es-mx/learn/articles/business-intelligence. [Accedido: 10-mar-2021].
[4] G. I. Ahmad y J. Singla, «Machine learning techniques for sentiment analysis of indian languages», Int. J. Recent Technol. Eng., vol. 8, n.o 2 Special Issue 11, pp. 3630-3636, 2019.
[5] S. Athey y G. W. Imbens, «Machine Learning Methods Economists Should Know About | Stanford Graduate School of Business», Work. Pap., n.o March, 2019.
[6] Z. Ge, Z. Song, S. X. Ding, y B. Huang, «Data Mining and Analytics in the Process Industry: The Role of Machine Learning», IEEE Access, vol. 5, pp. 20590-20616, 2017.
[7] Z. Gong, P. Zhong, y W. Hu, «Diversity in Machine Learning», IEEE Access, vol. 7, pp. 64323-64350, 2019.
[8] O. Simeone, «A Very Brief Introduction to Machine Learning with Applications to Communication Systems», IEEE Trans. Cogn. Commun. Netw., vol. 4, n.o 4, pp. 648-664, 2018.
[9] M. Usama et al., «Unsupervised Machine Learning for Networking: Techniques, Applications and Research Challenges», IEEE Access, vol. 7, pp. 65579-65615, 2019.
[10] J. Wang, C. Jiang, H. Zhang, Y. Ren, K. C. Chen, y L. Hanzo, «Thirty Years of Machine Learning: The Road to Pareto-Optimal Wireless Networks», IEEE Commun. Surv. Tutorials, vol. 22, n.o 3, pp. 1472-1514, 2020.
[11] R. Aruna Flarence, S. Bethu, V. Sowmya, K. Anusha, y B. Sankara Babu, «Importance of supervised learning in prediction analysis», Period. Eng. Nat. Sci., vol. 6, n.o 1, pp. 201-214, 2018.
[12] D. Aggarwal, S. Mittal, y V. Bali, «Prediction model for classifying students based on performance using machine learning techniques», Int. J. Recent Technol. Eng., vol. 8, n.o 2 Special Issue 7, pp. 496-503, 2019.
[13] J. Vasa y K. Masrani, «Foreseeing employee attritions using diverse data mining strategies», Int. J. Recent Technol. Eng., vol. 8, n.o 3, pp. 620-626, 2019.
[14] R. Mosquera, O. D. Castrillón, y L. Parra, «Predicción de Riesgos Psicosociales en Docentes de Colegios Públicos Colombianos utilizando Técnicas de Inteligencia Artificial», Inf. tecnológica, vol. 29, n.o 4, pp. 267-280, 2018.
[15] O. Terrada, S. Hamida, B. Cherradi, A. Raihani, y O. Bouattane, «Supervised machine learning based medical diagnosis support system for prediction of patients with heart disease», Adv. Sci. Technol. Eng. Syst., vol. 5, n.o 5, pp. 269-277, 2020.
[16] B. Jayanthy y C. Senthamarai, «Feature selection using K-means genetic clustering to predict rheumatoid arthritis disease», Int. J. Recent Technol. Eng., vol. 8, n.o 3, pp. 7020-7023, 2019.
[17] S. Saini, S. P. Singh, y R. Agarwal, «Augmented machine learning ensemble extension model for social media health trends predictions», Int. J. Recent Technol. Eng., vol. 8, n.o 2 Special Issue 7, pp. 482-486, 2019.
[18] D. R. Gopagoni y P. V. Lakshmi, «Automated machine learning tool: The first stop for data science and statistical model building», Int. J. Adv. Comput. Sci. Appl., vol. 11, n.o 2, pp. 410-418, 2020.
[19] B. M. Henrique, V. A. Sobreiro, y H. Kimura, «Stock price prediction using support vector regression on daily and up to the minute prices», J. Financ. Data Sci., vol. 4, n.o 3, pp. 183-201, 2018.
[20] R. G. Lopes, M. Ladeira, y R. N. Carvalho, «Use of machine learning techniques in the prediction of credit recovery», Adv. Sci. Technol. Eng. Syst., vol. 2, n.o 3, pp. 1432-1442, 2017.
[21] R. Medar y V. S. Rajpurohit, «Supervised machine learning techniques for predicting sugarcane yield», Int. J. Recent Technol. Eng., vol. 8, n.o 2, pp. 5662-5668, 2019.
[22] R. Jafari-Marandi, «Supervised or unsupervised learning? Investigating the role of pattern recognition assumptions in the success of binary predictive prescriptions», Neurocomputing, vol. 434, pp. 165-193, 2021.
[23] W. Bao, N. Lianju, y K. Yue, «Integration of unsupervised and supervised machine learning algorithms for credit risk assessment», Expert Syst. Appl., vol. 128, pp. 301-315, 2019.
[24] A. Martínez, C. Schmuck, S. Pereverzyev, C. Pirker, y M. Haltmeier, «A machine learning framework for customer purchase prediction in the non-contractual setting», Eur. J. Oper. Res., vol. 281, n.o 3, pp. 588-596, 2020.
[25] S. Mohanapriya y S. Mohana Saranya, «Sales prediction using machine learning algorithm», Int. J. Adv. Sci. Technol., vol. 29, n.o 3 Special Issue, pp. 1049-1055, 2020.
[26] D. Raditya, E. P. Nicholas, A. S. Ferarida, y N. Hanafiah, «Predicting Sneaker Resale Prices using Machine Learning», Procedia Comput. Sci., vol. 179, pp. 533-540, 2021.
[27] J. Salminen, V. Yoganathan, J. Corporan, B. J. Jansen, y S. G. Jung, «Machine learning approach to auto-tagging online content for content marketing efficiency: A comparative analysis between methods and content type», J. Bus. Res., vol. 101, n.o September 2018, pp. 203-217, 2019.
[28] Z. Shahbazi, D. Hazra, S. Park, y Y. C. Byun, «Toward improving the prediction accuracy of product recommendation system using extreme gradient boosting and encoding approaches», Symmetry (Basel)., vol. 12, n.o 9, 2020.
[29] A. Sreekant, P. Senthilnathan, G. Gopichand, M. Rajapandy, y N. Kannan, «Necessity of machine learning and data visualization principles in marketing investment management», Int. J. Innov. Technol. Explor. Eng., vol. 8, n.o 6 Special Issue 4, pp. 527-530, 2019.
[30] T. Van Nguyen, L. Zhou, A. Y. L. Chong, B. Li, y X. Pu, «Predicting customer demand for remanufactured products: A data-mining approach», Eur. J. Oper. Res., vol. 281, n.o 3, pp. 543-558, 2020.