Mostrar el registro sencillo del ítem
Modelo predictivo del éxito de las Startups de tecnología de la información usando Machine Learning
dc.contributor.advisor | Mauricio Sánchez, David Santos | |
dc.contributor.author | Vásquez Cieza, Edilberto | |
dc.date.accessioned | 2024-01-10T20:32:02Z | |
dc.date.available | 2024-01-10T20:32:02Z | |
dc.date.issued | 2023 | |
dc.identifier.citation | Vásquez, E. (2023). Modelo predictivo del éxito de las Startups de tecnología de la información usando Machine Learning. [Tesis de maestría, Universidad Nacional Mayor de San Marcos, Facultad de Ingeniería de Sistemas e Informática/Unidad de Posgrado]. Repositorio institucional Cybertesis UNMSM. | es_PE |
dc.identifier.uri | https://hdl.handle.net/20.500.12672/20960 | |
dc.description.abstract | Diseña un método y un modelo predictivo del éxito de las Startups de tecnología de información (TI), basado en técnicas de Machine Learning que permita predecir el éxito de las Startups de TI con tasas de precisión superior a los modelos existentes. El método consta de 4 procesos, un modelo híbrido y un inventario de 79 factores críticos de éxito, además, es aplicable a cualquier ciudad o región. El método es aplicado a una base de datos de 265 Startups de TI de Australia con 7 algoritmos de ML (SVM, Perceptron Muli-layer, Decision Tree, Naive Bayes, KNN, Radom Forest y Gradient Boosting) y 3 modelos híbridos basados en la estrategia de Votación, asimismo, el algoritmo GreedyStepWise para reducir los factores. Los resultados muestran que el método permite obtener modelos de pronóstico con mejores resultados para los algoritmos, en promedio, incrementa la precisión en 11.69 %, la especificidad en 3.25 % y la exactitud en 21.75 %, pero, en general, el modelo híbrido proporciona mejores resultados alcanzando una exactitud ideal del 100 %. GreedyStepWise permite identificar 5 factores (size startup, company revenue, r&d, financial capital and global economic enviroment) con los que se obtiene, a través de SVM y los modelos híbridos, pronóstico con precisión del 82 % y exactitud del 88 %. | es_PE |
dc.description.sponsorship | Perú. Universidad Nacional Mayor de San Marcos. Vicerrectorado de Investigación y Posgrado. Proyecto de investigación para grupos. C19200841 | es_PE |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad Nacional Mayor de San Marcos | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | es_PE |
dc.source | Universidad Nacional Mayor de San Marcos | es_PE |
dc.source | Repositorio de Tesis - UNMSM | es_PE |
dc.subject | Inteligencia artificial | es_PE |
dc.subject | Nuevas empresas | es_PE |
dc.subject | Predicciones | es_PE |
dc.title | Modelo predictivo del éxito de las Startups de tecnología de la información usando Machine Learning | es_PE |
dc.type | info:eu-repo/semantics/masterThesis | es_PE |
thesis.degree.name | Magíster en Ingeniería de Sistemas e Informática con mención en Ingeniería de Software | es_PE |
thesis.degree.grantor | Universidad Nacional Mayor de San Marcos. Facultad de Ingeniería de Sistemas e Informática. Unidad de Posgrado | es_PE |
thesis.degree.discipline | Ingeniería de Sistemas e Informática con mención en Ingeniería de Software | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.04 | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#1.02.00 | es_PE |
dc.publisher.country | PE | es_PE |
renati.advisor.dni | 06445495 | |
renati.advisor.orcid | https://orcid.org/0000-0001-9262-626X | es_PE |
renati.author.dni | 43545322 | |
renati.discipline | 612357 | es_PE |
renati.juror | León Fernández, Cayo Víctor | |
renati.juror | Sobero Rodríguez, Fany Yexenia | |
renati.juror | Fermín Pérez, Félix Armando | |
renati.level | https://purl.org/pe-repo/renati/level#maestro | es_PE |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_PE |
sisbib.juror.dni | 07001405 | |
sisbib.juror.dni | 20120467 | |
sisbib.juror.dni | 08736347 |