http://www.exactas.unsj.edu.ar http://huru.unsj.edu.ar/handle/123456789/14 2026-06-19T08:19:11Z 2026-06-19T08:19:11Z Alvarez Manzini, Germán Nicolás http://huru.unsj.edu.ar/handle/123456789/785 2026-06-18T20:18:38Z 2026-03-18T00:00:00Z

Apache Spark en un contexto de analítica e inteligencia de negocios : análisis de datos de transporte público de pasajeros de corta distancia de la provincia de San Juan Alvarez Manzini, Germán Nicolás En la actualidad, tanto las empresas como los organismos gubernamentales se enfrentan a la creciente necesidad de analizar grandes y variados volúmenes de datos. En este contexto, la Analítica e Inteligencia de Negocios (ABI, por sus siglas en inglés de Analytics and Business Intelligence) adquiere un rol fundamental al permitir obtener información y conocimiento oportuno que asista la toma de decisiones estratégicas. De manera particular, en el ámbito empresarial la ABI promueve la eficiencia operativa y la competitividad en entornos dinámicos; mientras que, en el ámbito público, contribuye a optimizar la gestión y mejorar la calidad de los servicios ofrecidos a los ciudadanos. Por su parte, la Secretaría de Tránsito y Transporte de la Provincia de San Juan (STyT) posee un gran volumen de datos provenientes del Sistema Único de Boleto Electrónico (SUBE), que necesita aprovechar para optimizar el uso de los recursos estatales e incrementar la satisfacción de sus usuarios, en otras palabras, lograr la mejora constante de la gestión del transporte público en la provincia. Sin embargo, la principal dificultad que enfrenta es el manejo masivo de estos datos, que requieren el uso de plataformas robustas, tanto para el almacenamiento como el procesamiento de los mismos. En ese contexto, el presente trabajo propone desarrollar una solución ABI que fortalezca la capacidad de diagnóstico y toma de decisiones estratégicas de la Secretaría de Tránsito y Transporte, utilizando Apache Spark y servicios de Google Cloud Platform.

2026-03-18T00:00:00Z Pujado, Horacio Matías http://huru.unsj.edu.ar/handle/123456789/779 2026-06-10T20:56:54Z 2026-03-26T00:00:00Z

Hacia la construcción de un modelo estadístico que permita identificar potenciales nuevos clientes tomadores de préstamos en instituciones financieras Pujado, Horacio Matías Este trabajo final propone el desarrollo y evaluación de modelos predictivos orientados a identificar clientes con alta probabilidad de aceptar un préstamo personal en instituciones financieras. A partir de un conjunto de datos de acceso público, se aplicaron técnicas de ciencia de datos que incluyeron análisis exploratorio de datos, preprocesamiento, balanceo de clases y modelado supervisado mediante regresión logística, árboles de clasificación y redes neuronales. El estudio se centró en la comparación del desempeño predictivo de estos modelos, utilizando métricas apropiadas para problemas de clasificación con clases desbalanceadas. Los resultados obtenidos evidencian que es posible construir modelos capaces de identificar clientes con mayor probabilidad de aceptar un producto financiero, lo que puede contribuir a optimizar estrategias de captación comercial y mejorar la asignación de recursos dentro de las instituciones financieras. Este trabajo se enmarca en la Licenciatura en Sistemas de Información de la Universidad Nacional de San Juan, y busca aportar valor tanto desde una perspectiva académica como aplicada al campo de la analítica financiera.; Abstract: This final project proposes the development and evaluation of predictive models aimed at identifying customers with a high probability of accepting a personal loan within financial institutions. Using a publicly available dataset, several data science techniques were applied, including exploratory data analysis, data preprocessing, class balancing, and supervised modeling through logistic regression, decision trees, and artificial neural networks. The study focused on comparing the predictive performance of these models using evaluation metrics appropriate for classification problems with imbalanced classes. The results demonstrate that it is possible to build models capable of identifying customers with a higher likelihood of accepting a financial product, which can contribute to optimizing customer acquisition strategies and improving resource allocation within financial institutions. This work was developed within the framework of the Bachelor’s Degree in Information Systems at the National University of San Juan, aiming to contribute both academically and practically to the field of financial analytics.

2026-03-26T00:00:00Z Grossi Calac, Luciano http://huru.unsj.edu.ar/handle/123456789/778 2026-06-09T17:46:44Z 2026-03-20T00:00:00Z

Componente de recuperación de información para personalización de la plataforma Moodle Grossi Calac, Luciano El presente trabajo aborda el desarrollo de un componente de recuperación de información orientado a la personalización de la plataforma Moodle dentro de los Ambientes Virtuales de Aprendizaje (AVA). Partiendo del crecimiento sostenido de la educación mediada por tecnologías digitales y del rol central que los AVA desempeñan en modelos educativos híbridos y a distancia, se analizan conceptos vinculados a inteligencia artificial, minería de datos, analítica del aprendizaje y sistemas recomendadores aplicados al ámbito educativo. El objetivo principal consiste en diseñar e implementar un módulo capaz de monitorizar las interacciones de los estudiantes en Moodle, extraer información relevante y posibilitar acciones de personalización orientadas a mejorar el proceso de enseñanza-aprendizaje. Para ello se estudian las características técnicas y funcionales de la plataforma, se exploran técnicas de procesamiento y análisis de datos educativos y se desarrolla un prototipo funcional integrado al entorno Moodle. Los resultados evidencian el potencial de la analítica de interacciones para generar perfiles de usuario, favorecer la adaptación de contenidos y contribuir al seguimiento académico. Asimismo, se identifican líneas futuras vinculadas al uso de procesamiento de lenguaje natural, aprendizaje automático y sistemas recomendadores educativos para optimizar la experiencia formativa en entornos virtuales.

2026-03-20T00:00:00Z Fernández, María Julia http://huru.unsj.edu.ar/handle/123456789/769 2026-05-28T10:26:29Z 2026-04-25T00:00:00Z

Galaxias anilladas : del análisis observacional y simulado a la clasificación automática Fernández, María Julia Esta tesis aborda el estudio de galaxias anilladas mediante tres enfoques complementarios: análisis de catálogos observacionales, exploración en simulaciones y clasificación automática con aprendizaje profundo. En la primera etapa, se investigó la presencia y propiedades de galaxias anilladas considerando distintos tipos de anillos: internos, externos, combinados, nucleares y parciales, en grupos pobres y ricos, integrando catálogos del relevamiento Sloan Digital Sky Survey (SDSS). Se encontró que aproximadamente un tercio de las galaxias con anillos se encuentra en entornos grupales, mayormente en grupos pobres. Los anillos internos son los más comunes y los nucleares, poco frecuentes. Las galaxias anilladas presentan menores tasas de formación estelar, poblaciones más envejecidas y colores más rojos respecto a sus contrapartes sin anillos. Estos efectos se ven acentuados en ambientes de mayor densidad. En la simulación Illustris TNG50 se identificaron más de 800 galaxias anilladas, confirmando patrones observacionales y aportando información sobre formación estelar, metalicidad y perfiles radiales. Las galaxias con anillos y barras muestran menor fracción de gas, colores más rojos y mayores metalicidades, destacando el rol de la dinámica interna. Los perfiles radiales exhiben huellas claras de los anillos en radios característicos del disco. Finalmente, se aplicaron modelos de clasificación sobre imágenes del SDSS con arquitecturas como ConvNeXt-Base. La clasificación binaria (anillo vs. no anillo) resultó más robusta que la multiclase, con exactitud y F1 superiores al 88 %. Esto valida el uso de redes neuronales profundas como herramienta eficaz y escalable para el análisis morfológico en grandes relevamientos. En conjunto, la tesis demuestra que los anillos son trazadores clave de la evolución secular de las galaxias discos, vinculados con procesos de regulación del gas, envejecimiento estelar y enriquecimiento químico, parcialmente modulados por el entorno. Su estudio se potencia al integrar observaciones, simulaciones y técnicas de inteligencia artificial, abriendo nuevas perspectivas para la clasificación morfológica y el análisis de la evolución galáctica.; Abstract This thesis investigates ringed galaxies through three complementary approaches: analysis of observational catalogs, exploration within simulations, and automatic classification using deep learning techniques. In the first stage, the presence and properties of ringed galaxies were studied considering different ring types: inner, outer, combined, nuclear, and partial, across poor and rich groups, by integrating catalogs from the Sloan Digital Sky Survey (SDSS). It was found that approximately one third of ringed galaxies reside in group environments, mostly in poor groups. Inner rings are the most common, while nuclear rings are rare. Compared to their non-ringed counterparts, ringed galaxies exhibit lower star formation rates, older stellar populations, and redder colors. These effects become more pronounced in denser environments. In the Illustris TNG50 simulation, more than 800 ringed galaxies were identified, confirming observational patterns and providing insights into star formation, metallicity, and radial profiles. Ringed and barred galaxies show lower gas fractions, redder colors, and higher metallicities, underscoring the role of internal dynamics. Their radial profiles display clear signatures of rings at characteristic disk radii. Finally, classification models were applied to SDSS images using architectures such as ConvNeXt-Base. The binary classification (ring vs. non-ring) proved more robust than the multiclass approach, achieving accuracy and F1 scores above 88 %. This validates the use of deep neural networks as an efficient and scalable tool for morphological analysis in large surveys. Overall, this thesis demonstrates that rings are key tracers of the secular evolution of disk galaxies, linked to processes of gas regulation, stellar aging, and chemical enrichment, partially modulated by the environment. Their study is greatly enhanced by integrating observations, simulations, and artificial intelligence techniques, opening new perspectives for morphological classification and the analysis of galactic evolution.

2026-04-25T00:00:00Z