El uso de árboles de decisión parece ser una buena opción para detectar sitios web fraudulentos. Para desarrollar este detector de sitios web fraudulentos, utilizamos el modelo CRISP-DM, que consta de seis fases: análisis de problemas, análisis de datos, preparación de datos, modelado, evaluación y extracción [10].
RESULTADOS Y DISCUSIÓN
Análisis del problema
Análisis de los datos
Preparación de los datos
Modelado
El 75% de los datos se utilizó para entrenar el modelo, mientras que el 25% restante se utilizó para realizar pruebas. La matriz de confusión se utiliza para leer los resultados de la evaluación.
Evaluación
Además de la matriz, se muestra la precisión del árbol, todo esto se muestra en la Figura 6. Cada nodo hoja evalúa la partición de cada evento, además de su entropía, también muestra la cantidad de datos evaluados y muestra cuánto pertenece a cada sección de clasificación (fraudulento=-1, sospechoso= 0 y legal=1).
Implementación
El árbol de decisión generado evalúa cada caso buscando una entropía igual a cero. El árbol de decisión es binario, ya que muestra sólo dos ramas hijas, algunas de las cuales se cierran temprano en las hojas.
Discusión
El algoritmo genera la distribución y categorización de los nodos secundarios realizando una evaluación ponderada, utilizando la teoría del árbol de decisión y proporcionando un número que sirve como partición entre el nodo secundario izquierdo y el nodo secundario derecho, y así sucesivamente hasta llegar al final.
CONCLUSIONES
El mayor número de deserciones se observa en las carreras de ingeniería, las principales causas, la dificultad de la carrera y la situación económica del estudiante. Por tanto, el objetivo es aplicar conceptos de aprendizaje automático y análisis de datos para predecir el abandono académico y así hacer predicciones.
RESUMEN
REVISTA INNOVACIÓN Y SOFTWARE VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935 Actualmente el 40% de los estudiantes de la UNIA son indígenas y el otro 60% de los estudiantes son mestizos (la gran mayoría vive en el área urbana) No Se está procesando información sobre abandonos por semestre académico.
ABSTRACT
INTRODUCCIÓN
Metodología computacional Design Thinking
Design Thinking en Ingeniería de Software
Etapas de Design Thinking
Design Thinking propone que a través de la detección y definición, la experimentación, la creación de prototipos y la retroalimentación inmediata, los diseñadores tienen más probabilidades de tener éxito en resolver una necesidad, simplificando y humanizando la solución [6]. Por lo tanto, el pensamiento de diseño puede ser lo suficientemente flexible como para ser tomado como un marco general de desarrollo de soluciones que lo haga adecuado para su uso en procesos de desarrollo de software, lo que en realidad es un campo en sí mismo requerido. un enfoque abierto, creativo y flexible para resolver problemas y encontrar oportunidades de mejora [1].
Design Thinking aplicado al Análisis de Requerimientos Caso de Estudio [6]
Caso de Estudio [9]
Design Thinking aplicado al Diseño
Caso de Estudio [7]
El primero es el botón Sí (permitir), al hacer clic en él acepta recibir notificaciones automáticas. Por lo tanto, aquellos que no queremos vernos involucrados en spam, intuitivamente hacemos clic en el botón rojo para rechazar la oferta de recibir notificaciones, pero, en cambio, comenzamos a recibirlas.
Resultados y discusión
Finalmente, la categoría de valores y beneficios percibidos describe por qué los empleados deberían utilizar Design Thinking. El tema Conexión con Agile describe cómo Design Thinking respalda el desarrollo de software ágil.
INTRODUCIÓN
Materiales y métodos o Metodología computacional
Decidimos utilizar la plataforma Google Colab porque sentimos que el análisis de datos llevaría más tiempo en nuestras computadoras personales. En [15] afirma que el perceptrón multicapa tiene salidas disjuntas pero relacionadas, de tal manera que la salida de una neurona es la entrada de la siguiente.
Descripción general de la aplicación
También se optó por una arquitectura tipo Perceptrón Multicapa, que se desarrolla a partir de un perceptrón simple, donde incluye capas de neuronas ocultas, logrando así representar funciones no lineales, además consta de una capa de entrada, una capa de salida y n capas ocultas. entre.
Selección y justificación del modelo
Las redes neuronales permiten que lo aprendido se organice por sí solo, mientras que el aprendizaje es la modificación de cada elemento procesado, la autoorganización consiste en la modificación de toda la red neuronal para llevar a cabo un objetivo específico, [14] que ésta define. Otra de las principales prioridades de las redes neuronales es que puedan funcionar en tiempo real, las redes neuronales funcionan a través de conexiones paralelas, lo que permite altas tasas de transferencia y respuesta instantánea.
Lenguaje de Programación y herramientas
Además, las redes neuronales tienen la capacidad de ser tolerantes a fallos, los primeros métodos computacionales con esta capacidad inherente fueron las redes neuronales con esta característica. Si se produce una falla en una pequeña cantidad de neuronas, el sistema no falla repentinamente. aunque el comportamiento se vea afectado. Finalmente, una de las ventajas que destaca es la facilidad de integración con la tecnología existente.
Python
REVISTA INNOVACIÓN Y SOFTWARE VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935 En esta metodología, la información utilizada como entrada pasa a través de la red neuronal para sufrir diversas operaciones encaminadas a producir valores de salida.
Por qué Phyton?
Anaconda
Jupyter notebook
Librerías y framework
Keras
Pandas
Numpy
Matplotlib
Descripción de los procesos
REVISTA INNOVACIÓN Y SOFTWARE VOL 3 Nº 1. Marzo - Agosto 2022 ISSN Nº 2708-0935 El segundo paso es verificar la red a través de un conjunto de entradas y salidas, que también son conocidas, y de igual manera hacen feedforward, pero sin el necesidad de retropropagación, dado que la red, en principio, ya está entrenada correctamente.
Tratamiento de datos
Transformación de datos
Variables Dependientes
Variables Independientes
La identificación de los valores outliers se realizó de la siguiente manera
Como paso final en el procesamiento de los datos, se procede a sustituir los valores atípicos por su mediana.
Entrenamiento y Validación
Entrenamiento
Validación
El propósito de este artículo es brindar una visión general de la integración del Design Thinking en el desarrollo de software utilizando el método de trabajo ágil SCRUM. El propósito de este artículo es proporcionar una visión general de la integración del Design Thinking en el desarrollo de software, principalmente en lo que respecta al uso de frameworks para el proceso de desarrollo y más específicamente el framework SCRUM.
Conceptos Fundamentales
Design Thinking se ha popularizado como una metodología que produce soluciones innovadoras y creativas en diversas industrias, como la industria del software o el desarrollo de productos. Las técnicas de planificación y pensamiento utilizadas en los proyectos Scrum son fáciles de entender e implementar y se ajustan a la mentalidad general del Design Thinking.
Design Thinking
Metodología Ágil SCRUM
Integración de Design Thinking con SCRUM Sinergia Entre Metodologías
Modelo Basado en DT y Metodologías Ágiles para Proyectos de Juegos Digitales
Para evaluar su propuesta, entrevistaron a desarrolladores seleccionados teniendo en cuenta dos criterios: experiencia en el desarrollo de juegos y el rol principal que desempeñan en la empresa. El modelo se centra en dos áreas: la primera en la que interviene la DT y la segunda en la que intervienen metodologías ágiles.
DT@SCRUM
El equipo comienza con la fase de comprensión y observación para que toda la información recopilada durante las dos primeras fases se sintetice desde el punto de vista del equipo. Los autores enfatizan el concepto de Planificación del Diseño para ejecutar tareas de diseño en sprints cortos, estimando y planificando en consecuencia, y utilizando una retrospectiva regular para ayudar a comprender mejor el proceso y las tareas de diseño.
IBM DT
REVISTA INNOVACIÓN Y SOFTWARE VOL. 3, núm. 1, marzo – agosto de 2022 ISSN núm. 2708-0935 Las colinas son una forma de expresar las necesidades de los usuarios en los requisitos del proyecto para satisfacer un problema de usuario específico y claramente definido, basado en la investigación de los usuarios. Las reproducciones son puntos de control donde el equipo del proyecto y el usuario patrocinador se reúnen para revisar el estado del proyecto y planificar los próximos pasos.
Agregar gestión de proyectos al estilo Scrum a Design Thinking [7]
Los Usuarios Patrocinadores que son personas pueden representar solo una parte de la comprensión de las necesidades del usuario.
Design Thinking integrado en el desarrollo de software [9]
Comparativa
DISCUSIÓN Y CONCLUSIONES
Nakano, "Agile Design: A Combined Model Based on Design Thinking and Agile Methodologies for Digital Game Projects," Rev. : Proceedings Gothenburg, Sweden 2013.
Árboles de decisión
Limpieza de datos
Brillo: donde se dividió en 5 categorías, la primera categoría donde los datos tienen una lectura menor a 339.45, en la segunda los datos tienen una lectura mayor a 339.45 y menos igual a 678.9, en la tercera categoría los datos tienen una lectura mayor . en 678.9 y menos igual a 1018.35, en la cuarta categoría el dato tiene una lectura mayor a 1018.35 y menos igual a 1357.8, terminando en la quinta categoría donde el dato tiene una lectura mayor a 1357.8. Nivel de CO2: donde se dividió en 5 categorías, la primera categoría donde los datos tienen una lectura menor a 745.5, en la segunda los datos tienen una lectura mayor a 745.5 y menos igual a 1078.25, en la tercera categoría los datos tienen una lectura mayor a 1078.25 y menor que igual a 1411, en la cuarta categoría el dato tiene una lectura mayor a 1411 y menor que igual a 1743.75, finalizando en la quinta categoría donde el dato tiene una lectura mayor a 1743.75.
Fase de entrenamiento
Fase de comprobación
Análisis de resultados
Se espera que los resultados ayuden a construir software de calidad y se utilicen en un proyecto real y en sus distintas fases, haciendo que el software tenga éxito en el mercado. Por lo tanto, el uso del Design Thinking nos permite identificar problemas que pueden resolverse utilizando herramientas modernas, estándares alcanzables en la industria del desarrollo de software.
Empatizar
MoodBoard
Observación encubierta
Qué?, ¿Cómo? y ¿Por qué?
Definir
Al realizar mapas mentales se pueden organizar las ideas encontradas sobre el problema a resolver de la forma más comprensible y poder interpretar conceptos.
Points Views
Blue Print
REVISTA INNOVACIÓN Y SOFTWARE VOL 3 No. 1 Marzo - Agosto 2022 ISSN No. 2708-0935 También es necesario utilizar un estándar para mejorar la calidad de los requisitos, ya que deben ser entendidos por todos los involucrados y en esa situación es necesario necesario mantener buenas prácticas de documentación de requisitos para que se mantenga la calidad en el proceso. Esto tiene un impacto en la calidad, ya que los resultados de las pruebas se pueden utilizar como entrada para las métricas de calidad del software.
Idear
El control sobre los resultados de las pruebas también es necesario, y sería muy útil que la ejecución de las pruebas estuviera automatizada para evitar la sobrecarga de trabajo.
Lluvia de Ideas
13. Hacer una investigación para ver la profundidad del problema y por tanto tomar medidas preventivas. REVISTA INNOVACIÓN Y SOFTWARE VOL 3 No. 1 Marzo - Agosto 2022 No. ISSN Mantenga un registro de errores para corregirlos más adelante.
Prototipar
Definir herramientas de comunicación en la nube para el desarrollo de proyectos de manera que se puedan reducir costos. También puede identificar formatos que pueden usarse durante todas las fases de desarrollo y reutilizarse y adaptarse en otros proyectos, evitando así el uso excesivo. desde papel y también automatizar el proceso de prueba y la emisión de los informes asociados. Utilice herramientas modernas de seguimiento de documentación (gratuitas o de pago) en la nube.
Testear
34;Evaluación de métricas de calidad de software en un programa Java." Universidad Complutense de Madrid, Madrid (2010). Sin embargo, a pesar de los beneficios de la IA en los servicios de salud digitales, es necesario abordar los problemas y preocupaciones éticas.
INTRODUCTION
AI Employment in Digital Health
The mapping study was conducted to map the literature in the topic area and assist in determining the final scope of the study. If an abstract was not accessible, minimal details from the title were collected for the mapping review, with the understanding that the full text would be retrieved if the mapping review was included in the intended systematic review.
AI Issues in Digital Health
After screening the title and abstract, references that could meet the inclusion criteria were given a second look and the data retrieved for use in the review. For mapping reasons, the references were grouped according to AI issues in healthcare and ethical concerns of AI in digital healthcare services.
Training Data
Currently, AI systems rely heavily on their training data; As a result, the accuracy of these algorithms is limited by the information in the datasets they are trained on, meaning they cannot escape biases and errors in the training data. Meanwhile, producing and annotating so much medical data takes a lot of time and effort.
Blackbox and Explainable AI (XAI)
As a result, researchers collecting large amounts of medical data to construct AI systems can rely on the data that is available, even if it is subject to numerous selection biases. This argument is currently under discussion in the academic arena, where some researchers believe that what counts is that the AI is correct, at least in the context of diagnosis, rather than how it concludes [33].
AI Malfunctions
XAI can improve the usability of AI-based digital healthcare services by helping end users trust the AI to make smart decisions, which is essential in digital healthcare services. REVISTA INNOVACIÓN Y SOFTWARE VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935 To answer these problems, further education in the field of AI technology is required.
AI vs Professional Skills
AI advocates will cite a concrete example of AI in airline autopilot mode, which does not compromise pilot training, but is, in my opinion, responsible for autopilot malfunctions that cause plane crashes.
Standardization of AI Algorithms
ETHICAL DIMENSIONS OF AI IN DIGITAL HEALTH Algorithmic Bias
Before artificial intelligence, medical datasets and experiments had a long history of prejudice and underrepresentation of women and people of different races and nationalities. One way the results can be skewed is if the dataset used for machine learning doesn't include enough people of different genders, races and ethnicities, or socioeconomic backgrounds.
Privacy and Security
The AI will be educated on a database consisting mainly of white skin photos in its early stages, making it less likely to detect malignant patterns on darker skin. Moreover, the right to withdraw data can be explicitly stated and made simple to execute and generated data can be used to replace the data gaps left by these agency-driven withdrawals, while avoiding the de-operation of AI systems .
AI, Social Isolation and Human Touch
In creating regulations in this area, a focus on patient consent would represent essential ethical ideals. The active research questions in this area include: How will digital transformation and the increasing use of AI impact the patient-physician relationship.
Liability and Full delegation of AI in Digital Health
It's crucial to find the right balance between knowing when to use technology and when to supplement it with human connections.
Digital Divide
Collective Medical Mind
Harmonized Ethical Framework
CONCLUSION
The public should be involved in the development of AI for health to better understand and use data sharing, provide feedback on culturally and socially appropriate types of AI, and adequately convey their concerns and aspirations. For example, is it possible to apply ethical design explicitly to AI technology for health.
Artificial intelligence in disease diagnosis: A critical review and classification of the current state of research guiding future direction. Teasing artificial intelligence in medicine: An ethical critique of artificial intelligence and machine learning in medicine.