https://repository.unad.edu.co/handle/10596/2575 2026-05-19T21:26:09Z 2026-05-19T21:26:09Z https://repository.unad.edu.co/handle/10596/81032 2026-05-19T19:52:47Z 2026-05-19T00:00:00Z

Title: Análisis y evaluación de vulnerabilidades en infraestructura de seguridad de un centro de datos de proveedor de internet (ISP) Abstract: El presente proyecto de grado tiene como objetivo identificar posibles vulnerabilidades en la infraestructura de seguridad de una empresa proveedora de servicios de Internet (ISP), documentar los hallazgos obtenidos y proponer planes de acción que contribuyan al fortalecimiento de las políticas de seguridad informática. Estas acciones buscan mitigar riesgos y proteger los activos críticos de la empresa, garantizando así la integridad, disponibilidad y confidencialidad de la información. La implementación del proyecto se llevará a cabo mediante la técnica de pruebas de penetración de tipo Caja Blanca, la cual permite evaluar el sistema con conocimiento previo de su arquitectura interna. La metodología principal adoptada será PTES (Penetration Testing Execution Standard), complementada con las buenas prácticas definidas en los marcos normativos NIST SP 800-115 y OSSTMM (Open Source Security Testing Methodology Manual), con el fin de asegurar un enfoque integral y estructurado. El proyecto tendrá una duración estimada de 10 meses, durante los cuales se realizará un levantamiento detallado de la infraestructura lógica y física de la red, así como la preparación de los entornos de prueba y la configuración de herramientas especializadas. Posteriormente, se ejecutará la identificación de vulnerabilidades mediante técnicas de análisis estático y dinámico, finalizando con la documentación exhaustiva de los hallazgos y la formulación de recomendaciones concretas y viables para la mejora de la postura de seguridad de la organización.

2026-05-19T00:00:00Z https://repository.unad.edu.co/handle/10596/80951 2026-05-14T20:34:43Z 2026-03-31T00:00:00Z

Title: Mortalidad en paciente con insuficiencia renal crónica Abstract: Se realiza un análisis de la mortalidad de los pacientes con insuficiencia renal crónica en el cual se toma los datos oficiales del DANE correspondientes al periodo 2019–2023 datos que se encuentra en sus micrositios, para identificar tendencias y variaciones relevantes que pueda aportar a la salud pública. De la información extraída la información consiste en salud de la mortalidad en todas sus patologías en el territorio colombiano encontrando mas de 1 millón de registros con la información por lo cual se accede a realizar el ETL (Extracción Transformación y carga) desde la plataforma de DataBriks con lo cual se maneja BigData con herramienta Python y Spark para ser escalable e integrar diferentes fuentes de datos. Se filtra el diagnóstico CIE10 que contenga código N18 IRC (insuficiencia renal crónica) tomado registro de los pacientes fallecidos durante el periodo de tiempo luego se tomó información relacionada como departamento lugar, diagnostico fecha genero régimen de afiliación con el que falleció. Esta información es porque se cuenta a nivel público y se puede utilizar para fines de estudio el cual se desarrolla con el objetivo de la posible influencia de muerte por grupos de sexo, seguridad social y ubicación geográfica. Utilizando técnicas de análisis descriptivo, tasas ajustadas y visualización gráfica. Este interés es por que IRC es costosa para el gobierno desmejora la calidad de vida y no tiene una cura lo único es por un trasplante de riñón las personas que la poseen tienen una tendencia a cambios de vida y aferrarse a tratamientos para su control para la sobrevivencia. Description:

2026-03-31T00:00:00Z https://repository.unad.edu.co/handle/10596/80920 2026-05-13T16:28:59Z 2025-09-10T00:00:00Z

Title: Explorando oportunidades: un enfoque de machine learning para la recomendación personalizada de carreras y programas educativos en Colombia Abstract: El presente proyecto desarrolla TalentAI, un sistema de recomendación inteligente basado en Machine Learning para la orientación vocacional de estudiantes de grado 10° y 11° de instituciones educativas de Bogotá D.C. en la elección de programas de educación superior. La investigación responde a la problemática de la deserción educativa en el primer año de estudios superiores en Colombia, la cual, según el Laboratorio de Economía de la Educación (LEE, 2023), alcanzó un 45,4% en programas universitarios y un 48,2% en programas tecnológicos. A esto se suma que, en Bogotá, la tasa de jóvenes que ni estudian ni trabajan (NINIs) oscila entre el 19% y el 22%, y que más del 60% de los estudiantes de grado 11 no reciben una orientación vocacional estructurada. Estas cifras evidencian la magnitud del problema y justifican la necesidad de un sistema que optimice la toma de decisiones académicas. La metodología implementada combina un enfoque mixto, con análisis cuantitativo mediante la evaluación comparativa de cinco algoritmos de Machine Learning: K-Nearest Neighbors (KNN), Redes Neuronales, Random Forest, XGBoost y Regresión Logística. Se entrenaron los modelos con 20.000 registros sintéticos de estudiantes, caracterizados por 13 variables predictoras (5 puntajes ICFES y 8 dimensiones de competencias), para predecir 30 áreas de conocimiento. Los datos de programas educativos fueron obtenidos del Sistema Nacional de Información de la Educación Superior (SNIES) y del SENA, identificando 46.900 programas a nivel nacional y filtrando 5.138 correspondientes a Bogotá D.C., mediante scripts automatizados de extracción y limpieza de datos. Como resultado, los modelos KNN y Redes Neuronales fueron seleccionados para su implementación en la plataforma, al evidenciar el mejor equilibrio entre precisión y eficiencia computacional frente a las demás alternativas evaluadas. En las pruebas realizadas, el modelo KNN obtuvo un accuracy de 0.660 y un F1-Score Macro de 0.626 con un tiempo de ejecución de 9.1 segundos, destacándose por su rapidez y consistencia; mientras que la Red Neuronal alcanzó un accuracy de 0.666 y un F1-Score Macro de 0.583 en 40.9 segundos, consolidándose como el de mayor capacidad predictiva. El sistema desarrollado incluye un formulario de evaluación de 100 competencias agrupadas en 8 dimensiones, una interfaz web intuitiva para la interacción con estudiantes y un motor de recomendación que sugiere programas educativos personalizados en función del perfil multidimensional del estudiante. Palabras clave: Machine Learning, orientación, neuronales, educación, vocacional. Description: Se anexan gráficas comparativas de modelos de Machine Learning, diagramas de arquitectura del sistema TalentIA, capturas de pantalla de la plataforma web y tablas de resultados.

2025-09-10T00:00:00Z https://repository.unad.edu.co/handle/10596/80919 2026-05-13T16:22:45Z 2026-02-10T00:00:00Z

Title: Análisis predictivo de series temporales de producción de gas natural en Colombia implementando metodologías estadísticas y de Machine Learning Abstract: La industria energética de Colombia desempeña un papel importante en la estabilidad económica del país y la explotación de hidrocarburos y en particular de gas, es una de las principales fuentes de ingresos y generación de empleo en las regiones productoras. De esta manera, La predicción de gas en Colombia resulta ser un indicador económico de gran importancia ya que impacta en la cantidad de regalías que recibe el departamento y al precio de venta para el consumo domiciliario o industrial que pagan los usuarios. En este contexto, se analizan diversos algoritmos relacionados con el pronóstico de la producción de gas utilizando técnicas estadísticas y modelos de machine learning. Los datos fueron obtenidos de la página de datos abiertos y corresponde con la producción fiscalizada de gas por campo medida en millones de pies cúbicos por mes - mpcpm. Los datos se encuentran desagregados por departamento, municipio, operadora, campo y contrato para cada uno de los meses del año desde 2013 hasta noviembre de 2025. Se destacan enfoques estadísticos clásicos de series temporales ARIMA y SARIMA. Modelos de machine learning como ridge regression, XGBoost, random forest regressor y support vector machine regressor fueron usados en el presente trabajo. Como principal resultado se encontró que el método ridge regressor es el que mejor desempeño tiene por encima de otros métodos, con un R2 de 0.82 y un MAPE de solo 2.65%. En conjunto, estos referentes respaldan la propuesta de aplicar y comparar modelos de machine learning y estadísticos tradicionales para evaluar la predicción final con el objetivo de plantear escenarios futuros en la producción de gas Description:

2026-02-10T00:00:00Z