Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales

En la presente investigación, se hace uso de redes neuronales artificiales (RNA) y otros métodos de Machine Learning (ML) como instrumento de lecciones aprendidas en la predicción de los costos de ejecución para proyectos de consultoría de obras fluviales. Para ello, se plantearon diferentes modelos...

Full description

Autores:: Coronado Herrera, Johan

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2024

Institución:: Universidad Militar Nueva Granada

Repositorio:: Repositorio UMNG

Idioma:: spa

id	UNIMILTAR2_8183484cc9536928052f270510c83471
oai_identifier_str	oai:repository.umng.edu.co:10654/47488
network_acronym_str	UNIMILTAR2
network_name_str	Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv	Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales
dc.title.eng.fl_str_mv	Evaluation of artificial neural networks and other machine learning methods for cost prediction in river consulting projects
title	Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales
spellingShingle	Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales REDES NEURONALES ARTIFICIALES APRENDIZAJE AUTOMATICO PREDICCION DE COSTOS CONSULTORIA DE INGENIERÍA OBRAS FLUVIALES - ADMINISTRACION DE PROYECTOS Estimación de costos Redes neuronales artificiales Consultoría Machine learning Random forest Lecciones aprendidas Cost estimation Artificial neural networks Consultancy Machine learning Random forest Lessons learned
title_short	Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales
title_full	Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales
title_fullStr	Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales
title_full_unstemmed	Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales
title_sort	Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales
dc.creator.fl_str_mv	Coronado Herrera, Johan
dc.contributor.advisor.none.fl_str_mv	Daza Rojas, Josué David
dc.contributor.author.none.fl_str_mv	Coronado Herrera, Johan
dc.subject.lemb.spa.fl_str_mv	REDES NEURONALES ARTIFICIALES APRENDIZAJE AUTOMATICO PREDICCION DE COSTOS CONSULTORIA DE INGENIERÍA OBRAS FLUVIALES - ADMINISTRACION DE PROYECTOS
topic	REDES NEURONALES ARTIFICIALES APRENDIZAJE AUTOMATICO PREDICCION DE COSTOS CONSULTORIA DE INGENIERÍA OBRAS FLUVIALES - ADMINISTRACION DE PROYECTOS Estimación de costos Redes neuronales artificiales Consultoría Machine learning Random forest Lecciones aprendidas Cost estimation Artificial neural networks Consultancy Machine learning Random forest Lessons learned
dc.subject.proposal.spa.fl_str_mv	Estimación de costos Redes neuronales artificiales Consultoría Machine learning Random forest Lecciones aprendidas
dc.subject.proposal.eng.fl_str_mv	Cost estimation Artificial neural networks Consultancy Machine learning Random forest Lessons learned
description	En la presente investigación, se hace uso de redes neuronales artificiales (RNA) y otros métodos de Machine Learning (ML) como instrumento de lecciones aprendidas en la predicción de los costos de ejecución para proyectos de consultoría de obras fluviales. Para ello, se plantearon diferentes modelos de RNA modificando, arquitecturas, funciones de entrenamiento y activación con optimización de hiperparámetros, hallando que el mejor desempeño según las métricas Huber Loss y error cuadrático medio se da para la función de activación Relu y optimizador RMSprop, no obstante, se evidencia que los modelos RNA no generalizaron correctamente, lo que llevó a la implementación de modelos menos robustos como Random Forest (RF), y más robustos por medio del ensamble entre RNA y RF. El estudio reveló que para una base de datos real y limitada, no es conveniente la aplicación de RNA o ensambles, puesto que, en el proceso de entrenamiento para la captura de los patrones de los datos, los modelos no tienen información suficiente, lo que limita su aprendizaje, en consecuencia, para aplicar este tipo de modelos se requiere de un gran volumen de datos para capturar los patrones representativos y diferenciarlos de los ruidos. Desde la gerencia de proyectos, al hacer uso de referentes de ML se reconocen las lecciones aprendidas de proyectos anteriores a partir de datos históricos de costos de los proyectos, con los cuales, se pretenden optimizar presupuestos, recursos, sobrecostos, facilitar la toma de decisiones y ampliar la base de datos para que, a largo plazo, los nuevos proyectos de consultoría se integren y mejoren la capacidad predictiva por medio de RNA.
publishDate	2024
dc.date.issued.none.fl_str_mv	2024-12-16
dc.date.accessioned.none.fl_str_mv	2025-09-23T19:36:20Z
dc.date.available.none.fl_str_mv	2025-09-23T19:36:20Z
dc.type.local.spa.fl_str_mv	Tesis/Trabajo de grado - Monografía - Especialización
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
format	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/10654/47488
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.none.fl_str_mv	repourl:https://repository.umng.edu.co
url	https://hdl.handle.net/10654/47488
identifier_str_mv	instname:Universidad Militar Nueva Granada reponame:Repositorio Institucional Universidad Militar Nueva Granada repourl:https://repository.umng.edu.co
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	Aarti, E. (2021). Generative adversarial networks and their variants. In Generative Adversarial Networks for Image-to-Image Translation. Academic Press. doi:https://doi.org/10.1016/B978-0-12-823519-5.00003-8 Abeliuk, A., & Gutiérrez, C. (2021). Historia y evolución de la inteligencia artificial. Revista Bits de Ciencia, 14-21. Agudelo, A., López, J., & Velilla, E. (2015). Predicción del Precio de la Electricidad en la Bolsa mediante un Modelo Neuronal No-Lineal Autorregresivo con Entradas Exógenas. Información tecnológica, 26(6), 99-108. Albarqi, A., & Qureshi, R. (2018). The Proposed L-Scrumban Methodology to Improve the Efficiency of Agile Software Development. International Journal of Information Engineering & Electronic Business, 23-35. Avella, K., & Romero, D. (2018). Análisis comparativo de la Ley 80 de 1993 y la Ley 1882 de 2018. Revista Nueva Época, 183-202. Bee, M. (12 de Septiembre de 2005). Copula-Based Multivariate Models with Applications to Risk Management and Insurance. Obtenido de SSRN: http://dx.doi.org/10.2139/ssrn.795964 Bernilla, D. (2024). Predicción de la resistencia a la compresión del concreto usando redes neuronales artificiales. Chiclayo. Caicedo, E., & López, J. (2017). Una aproximación práctica a las redes neuronales artificiales. Cali, Colombia: Programa Editorial Universidad del Valle. Carson, J., Hollingsworth, K., Datta, R., Clark, G., & Aviv, S. (2020). A Hybrid Decision Tree-Neural Network (DT-NN) Model for Large-Scale Classification Problems. IEEE International Conference on Big Data (Big Data), 4103-4111. Castillo, J., Ortiz, J., Khalaf, I., Hernández, A., & Rodríguez, L. (2021). Noninvasive Prototype for Type 2 Diabetes Detection. Journal of Healthcare Engineering, 2021, 12. Castillo, J., Solórzano, B., & Moreno, J. (Mayo de 2018). Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento. Ingenius. Revista de Ciencia y Tecnología, 20. doi:https://doi.org/10.17163/ings.n20.2018.02 Castillo, M., Padrón, R., & Gualdrón, C. (Julio de 2020). Proceedings of the 18th LACCEI International Multi-Conference for Engineering, Education and Technology. Lineamientos de estimación de costos para proyectos privados arquitectónicos, con base en un modelo de clasificación único. doi:http://dx.doi.org/10.18687/LACCEI2020.1.1.337 Chereddy , N., & Bolla, B. (2023). Evaluating the Utility of GAN Generated Synthetic Tabular Data for Class Balancing and Low Resource Settings. In International Conference on Multi-disciplinary Trends in Artificial Intelligence (págs. 48-59). Cham: Springer Nature Switzerland. Coloma, J., Valverde, R., & García, M. (2017). Estimación de los costes de construcción de viviendas rústicas mediante Redes Neuronales Artificiales. Informe de la Construcción, 71. Recuperado el 22 de 04 de 2022, de https://doi.org/10.3989/ic.62206 Cortes, D. (2021). Isolation forests: looking beyond tree depth. arXiv preprint arXiv:2111.11639, 1-16. Daza, L., & Montoya, D. (2022). Propuesta de modelo de gestión del conocimiento para auditorías de control fiscal realizadas por la Contraloría General de Medellín. Revista CEA, 8(16), 1-36. Recuperado el 26 de 04 de 2022 Decreto 066. (16 de Enero de 2008). Obtenido de Sistema Único de Información Normativa: https://www.suin-juriscol.gov.co/viewDocument.asp?id=1702418 Del Riego, S. A. (Julio de 2024). Generador de datos sintéticos tabulares basado en modelos de difusión. Madrid, España: Universidad Politécnica de Madrid. Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (Agosto de 1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In kdd, 96(34), 226-231. Fawagreh, K., Gaber, M., & Abdalla, M. (2022). In Financial Data Analytics: Theory and Application. Springer International Publishing. doi: https://doi-org.ezproxy.umng.edu.co/10.1007/978-3-030-83799-0_7 Fazil, M., Chia, L., & Tamyez, M. (2021). Cost estimation performance in the construction projects: a systematic review and future directions. International Journal of Industrial Management, 11(1), 217-234. Ferro, F. (2018). Diseño de una metodología de gerenciamiento de proyectos de manejo de residuos sólidos basados en metodologías internacionales con caracterización ágil. Universidad Militar Nueva Granada, Bogotá. Recuperado el 24 de 04 de 2022 Flarence, A., Bethu, S., Sowmya, V., Anusha, K., & Babu, S. (2018). Importance of supervised learning in prediction analysis. Periodicals of engineering and natural sciences, 6(1), 201-214. Fontalvo, T., De La Hoz, E., & De La Hoz, E. (2018). Método Análisis Envolvente de Datos y Redes Neuronales en la Evaluación y Predicción de la Eficiencia Técnica de Pequeñas Empresas Exportadoras. Información tecnológica, 29(6), 267-276. Franco, T. (2014). Análsis de riesgos para la presentación de un presupuesto con datos incompletos. Universidad Militar Nueva Granada, Bogotá. Recuperado el 2 de 09 de 2021 Galindo, F. y. (2010). Propuesta metodológica para la implementación de la gestión del conocimiento en una empresa de consultoría. Universidad Militar Nueva Granada, Bogotá. Recuperado el 02 de 11 de 2021 Ganchala, E., Piñarcaja, J., & Machado, L. (2024). Uso de Redes Neuronales Artificiales (RNA) para la Predicción de la Resistencia a la Compresión y Módulo de Elasticidad del Hormigón. Revista Ingenio, 7(1), 23-46. Garcés Ruiz, A., & Gómez Carmona, O. (2008). Solución al problema del despacho hidrotérmico mediante simulación de Monte Carlo y punto interior. Revista Facultad de Ingeniería Universidad de Antioquia (45), 132-147. García, A. (2014). Impactos de la planificación y el control presupuestal en los procesos de una empresa para la ejecución de proyectos. Universidad Militar Nueva Granada, Bogotá. Recuperado el 20 de 09 de 2021 García, J. (13 de Diciembre de 2021). Cross-validation (o Validación Cruzada) para Evaluar Modelos de Machine Learning con Python [Video]. Youtube. Obtenido de https://www.youtube.com/watch?v=Qnth2VXopLg Golbayani, P., Florescu, I., & Chatterjee, R. (2020). A comparative study of forecasting Corporate Credit Ratings using Neural Networks, Support Vector Machines, and Decision Trees. The North American Journal of Economics and Finance, 54. Gomez, D. A., & Montealegre, D. A. (2016). Guía para la estimación de costos topográficos en la consultoría, construcción e interventoría de vías o carreteras. Universidad Distrital Francisco José de Caldas, Bogotá. Recuperado el 19 de 04 de 2022 Gomez, M. (2015). Importancia de determinar las lecciones aprendidas en un proyecto: Caso Agrocascada. Universidad Militar Nueva Granada, Bogotá. Recuperado el 06 de 10 de 2021 González Martínez, E. F. (4 de Abril de 2021). Generador de datos sintéticos para el monitoreo de transacciones con factores de riesgo de lavado de activos. Bogotá, Colombia: Universidad Jorge Tadeo Lozano. González, J., Torres, M., Jaramillo, J., & Murillo, J. (2021). An artificial intelligent framework for prediction of wildlife vehicle collision hotspots based on geographic information systems and multispectral imagery. Ecological Informatics, 63(101291). doi:https://doi.org/10.1016/j.ecoinf.2021.101291 Gunduz, M., & Haci, B. (2012). An early cost estimation model for hydroelectric power plant projects using neural networks and multiple regression analysis. Journal of Civil Engineering and Management, 21(4), 470-477. Hillson, D. (2009). Managing Risk in Projects. Routledge: Gower Publishing. Jaramillo, C., Choque, W., Guerrero, G., & Meneses, C. (2020). Hass avocado ripeness classification by mobile devices using digital image processing and ANN methods. International Journal of Food Engineering, 16. doi:https://doi.org/10.1515/ijfe-2019-0161 Jolliffe, I., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions Royal Society, 1-16. Kamthe, S., Assefa, S., & Deisenroth, M. (2021). Copula Flows for Synthetic Data Generation. ArXiv, 1-15. Kerzner, H. (1982). Project management: A systems approach to planning, scheduling and controlling. European Journal of Operational Researc, 211. Kurb, M. (1997). La consultoría de empresas. Guía para la profesión (Tercera ed.). Ginebra: Oficina Internacional del Trabajo. Recuperado el 30 de 04 de 2022 Ladino, E., García, C., & García, M. (2022). Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet. Revista científica, 43, 2-19. Ladino, E., García, C., & García, M. (Junio de 2022). Modelado del factor de fricción en tuberías a presión utilizando redes neuronales de aprendizaje bayesiano. Ciencia en Desarrollo, 13(1), 9-23. Langr, J., & Bok, V. (2019). GANs in Action Deep learning with Generative Adversarial Networks. New York, Estados Unidos: Manning Publications Co. Lao León, Y. O., Rivas Méndez, A., Pérez Pravia, M. C., & Marreno Deldago, F. (2017). Procedimiento para el pronóstico de la demanda mediante redes neuronales artificiales. Ciencias Holguín, 23(1), 43-59. Obtenido de https://www.redalyc.org/journal/1815/181549596004/html/#redalyc_181549596004_ref11 Ley 112. (23 de Noviembre de 1912). Obtenido de Sistema Único de Información Normativa: https://www.suin-juriscol.gov.co/viewDocument.asp?id=1643363 Ley 1474. (12 de Julio de 2011). Obtenido de Función Pública: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=43292 Ley 1670. (27 de Octubre de 1975). Obtenido de Sistema Único de Formación Normativa: https://www.suin-juriscol.gov.co/viewDocument.asp?id=1643363 Ley 1882. (15 de Enero de 2018). Obtenido de Función Pública: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=84899 Ley 2022. (22 de Julio de 2020). Obtenido de Función Pública: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=136375 Ley 842. (9 de Octubre de 2003). Obtenido de Consejo Profesional Nacional de Ingeniería: https://www.copnia.gov.co/nuestra-entidad/normatividad/ley-842-de-2003 Li, H., Want, X., & Ding, S. (2018). Research and development of neural network ensembles: a survey. Artificial Intelligence Review, 49, 455-479. Livieris, I., Alimpertis, N., Georgios, D., & Tsakalidis, D. (2024). An Evaluation Framework for Synthetic Data Generation Models. Cham: Springer Nature Switzerland, 713, 320-335. doi:https://doi.org/10.1007/978-3-031-63219-8_24 LLedo, P., & Rivarola, G. (2007). Dirección profesional de proyectos. México: Pearson Education. Lu, Y., Shen, M., Wang, H., Wang, X., van Rechem, C., & Wei, W. (Agosto de 2021). Machine learning for synthetic data generation: a review. Journal of latex class files, 14(8), 1-17. Mahalakshmi, G., & Rajasekaran, C. (2019). Early Cost Estimation of Highway Projects in India Using Artificial Neural Network. Sustainable Construction and Building Materials, 25, 659–672. Recuperado el 02 de 05 de 2022 Marshall Boehmwald, F. (2022). Diseño de un modelo de generación de datos sintéticos para la aplicación de modelos de machine learning en proyectos interdisciplinarios asociados a salud. Santiago de Chile, Chile: Universidad de Chile. Matel, E., Vahdatikhaki, F., Hosseinyalamdary, S., Evers, T., & Voordijk, H. (2019). An artificial neural network approach for cost estimation of engineering services. International Journal of Construction Management. Obtenido de https://doi.org/10.1080/15623599.2019.1692400 Melville, B. W., & Coleman, S. E. (2000). Bridge Scour. Highlands Ranch, Colorado, USA: Water Resources Publications, LLC. Miletic, M., & Sariyar, M. (2024). Challenges of Using Synthetic Data Generation Methods for Tabular Microdata. Applied Sciences, 14(14), 1-13. doi:https://doi.org/10.3390/app14145975 Neter, J., Wasserman, W., & Kutner, M. (1983). Applied linear regression models. Estados Unidos: Richard D. Irwin. Nonay, E. (2012). Real-time 3D segmentation and object detection based on a Kinect Sensor. Universidad de Zaragoza. Orjuela, A., Camargo, J., Awad, C., & Vergara, E. (2018). Tuberculosis diagnosis support analysis for precarious health information systems. Computer Methods and Programs in Biomedicine, 157, 11-17. doi:https://doi.org/10.1016/j.cmpb.2018.01.009 Palencia González, F. J. (2016). Una herramienta para la estimación y predicción de precios de combustibles en base a costes. Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA, 17, 1-17. Peña, C. (2008). Los inicios de la Ingeniería de Consulta en Colombia. Revista de ingeniería. Peña, J. (2014). Las 5 fases en gestión de proyectos. Madrid, Andalucía, España. Recuperado el 27 de 10 de 2021, de https://www.eoi.es/blogs/embacon/2014/04/29/las-5-fases-en-gestion-de-proyectos/ Perez, F., & Fernández, H. (2007). Las redes neuronales y la evaluación del riesgo de crédito. Revista ingenierías Universidad de Medellín, 6(10), 77-91. Recuperado el 25 de 04 de 2022 Petroutsatou, Ph.D., K., Georgopoulos, E., Lambropoulos, Ph.D., S., & Pantouvakis, Ph.D., J. (2011). Early Cost Estimating of Road Tunnel Construction Using Neural Networks. Journal of Construction Engineering and Management, 138(6), 679-687. Ponce, J. (10 de Julio de 2021). Blog personal sobre inteligencia artificial. Obtenido de https://jahazielponce.com/funciones-de-activacion-y-como-puedes-crear-la-tuya-usando-python-r-y-tensorflow/ ProEst. (21 de Junio de 2021). Obtenido de Construction cost estimating methods: https://proest.com/construction/estimating/methods/ Project Management Institute. (2013). A Guide to the Project Management Body of Knowledge (PMBOK® Guide). Quinta edición. Newtown Square, PA: Project Management Institute. Project Management Institute. (2017). A Guide to the Project Management Body of Knowledge (PMBOK® Guide). Sexta edición. Newtown Square, PA: Project Management Institute. Project Management Institute. (2021). A guide to the project management body of knowledge (PMBOK® guide). séptima edición. Newtown Square, PA: Project Management Institute. Quintero, Y., Ardila, D., Camargo, E., Rivas, F., & Aguilar, J. (Julio de 2021). Machine learning models for the prediction of the SEIRD variables for the COVID-19 pandemic based on a deep dependence analysis of variables. Computers in Biology and Medicine, 134(104500). doi:https://doi.org/10.1016/j.compbiomed.2021.104500 Riverola, F., & Corchado, F. (2000). Sistemas híbridos neuro-simbólicos: Una revisión. Inteligencia artificial. Revista Iberoamericana de Inteligencia Artificial, 4(11), 12-26. Rodríguez, D. (12 de abril de 2024). Analytics Lane. Obtenido de Explorando Local Outlier Factor (LOF): Un enfoque eficaz para la detección de anomalías : https://www.analyticslane.com/2024/04/12/explorando-local-outlier-factor-lof-un-enfoque-eficaz-para-la-deteccion-de-anomalias/ Rodríguez, H., & Rojas, P. (2015). Técnicas de estimación de costos para proyectos: Revisión Bibliográfica de 2005 a 2015. Bogotá. Ruder, S. (2016). Anoverview of gradient descent optimization algorithms. arXiv. Salem, A., & Abokifa, A. (2023). Machine Learning–Based Source Identification in Sewer Networks. Journal of Water Resources Planning and Management, 149(8), 1-14. doi:https://doi-org.ezproxy.umng.edu.co/10.1061/JWRMD5.WRENG-6050 Sampieri, R., & Mendoza, P. (2018). Metodología de la investigación: las rutas cuantitativa, cualitativa y mixta. México: McGraw Hill Interamericana Editores S.A. Recuperado el 08 de 05 de 2022 Sarhan, F., & Hadhal, N. (2015). Investigation and Evaluation of the Cost Estimation Methods of Iraqi communication projects. International Journal of Engineering and Management Research, 5(5), 362-369. Sarria, A. (2021). Crisis y realidades de la ingeniería civil colombiana. Revista de Ingeniería. Silva, G. (Mayo de 2008). Efectos derivados del cambio del factor calidad por el factor precio en la ingeniería de consulta. Revista de ingeniería universidad de los Andes(27), 77-85. Recuperado el 30 de 04 de 2022 Silva, J., Herazo, J., Millán, R., Lezama, O., Morgado, W., & Varela, N. (2019). Early warning method for the commodity prices based on artificial neural networks: SMEs case. Procedia Computer Science, 151, 1243-1248. doi:https://doi.org/10.1016/j.procs.2019.04.179 Snoek, J., Larochelle, H., & Adams, R. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. arXiv. Tayefeh, S., Mahdi, O., & Kaur, H. (2020). Cost estimation and prediction in construction projects: a systematic review on machine learning techniques. SN Applied Sciences, 2(1703). doi:https://doi-org.ezproxy.umng.edu.co/10.1007/s42452-020-03497-1 Tello, E. (2024). Desarrollo de un modelo de predicción para evaluar la calidad de una edificación utilizando redes neuronales artificiales de propagación hacia atrás. Riobamba, Ecuador: Universidad Nacional de Chimborazo. Tijanić, K., Car-Pušić, D., & Šperac, M. (2019). Cost estimation in road construction using artificial neural network. Neural Computing and Applications, 32, 9343–9355. Vabalas, A., Gowen, E., Poliakoff, E., & Casson, A. (2019). Machine learning algorithm validation with a limited sample size. PLOS ONE, 14(11). doi:https://doi.org/10.1371/journal.pone.0224365 Vanegas, J. (2016). Metodología de control de costos de presupuesto en construcciones verticales. Universidad Militar Nueva Granada, Bogotá. Recuperado el 15 de 11 de 2021 Velarde, H. (2017). Modelo para la estimación del esfuerzo de desarrollo en tareas de ingeniería de proyectos de software empleando aprendizaje automático. Granada. Recuperado el 07 de 05 de 2022 Villada, F., Molina, J., & García, E. (2011). Pronóstico del Precio de la Energía Eléctrica usando Redes Neuro-Difusas. Información tecnológica, 22(6), 111-120. Villada, Fernando; Muñoz, Nicolás; García, Edwin. (2012). Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores. Información tecnológica, 23(4), 11-20. Villada, Fernando; Muñoz, Nicolás; García, Edwin. (2016). Redes Neuronales Artificiales aplicadas a la Predicción del Precio del Oro. Información tecnológica, 27(5), 143-150. Vos, G., Trinh, K., Sarnyai, Z., & Azghadi, M. (2022). Ensemble Machine Learning Model Trained on a New Synthesized Dataset Generalizes Well for Stress Prediction Using Wearable Devices. Journal of Biomedical Informatics, 1-16. doi:https://doi.org/10.1016/j.jbi.2023.104556 Wenhui, F., & Yafeng, Z. (2023). Construction cost prediction based on adaptive boosting and artificial neural networks. Smart Infrastructure and Construction. Xu, H., Kinfu, K., LeVine, V., Sambit, P., Dey, J., Ainsworth, M., . . . Priebe, C. (2021). When are Deep Networks really better than Decision Forests at small sample sizes, and how? arXiv preprint, 1-20. Yang, S., Moon, S., Jang, H., Choo, S., & Kim, S.-A. (2022). Parametric Method and Building Information Modeling-Based Cost Estimation Model for Construction Cost Prediction in Architectural Planning. Applied Sciences., 12(19), 9553.
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.creativecommons.*.fl_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv	Acceso abierto
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/ Attribution-NonCommercial-NoDerivatives 4.0 International Acceso abierto http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	applicaction/pdf
dc.coverage.sede.spa.fl_str_mv	Calle 100
dc.publisher.program.spa.fl_str_mv	Especialización en Gerencia Integral de Proyectos
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv	Universidad Militar Nueva Granada
institution	Universidad Militar Nueva Granada
bitstream.url.fl_str_mv	https://repository.umng.edu.co/bitstreams/052e85ee-520f-4e83-9c38-c2cf21c23d1b/download https://repository.umng.edu.co/bitstreams/43a1bd38-5ee9-4a8b-b57b-b6f0fa74aa11/download https://repository.umng.edu.co/bitstreams/2f27172a-346c-43f4-a1e4-9e2fcf62e7ac/download
bitstream.checksum.fl_str_mv	81e3acf9df1aa1fe959862fa43bb5e45 eee07e0ff06ff87c2514118f01a256cb ba9dd28ae76fd58ef56405c4f060fba3
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional UMNG
repository.mail.fl_str_mv	bibliodigital@unimilitar.edu.co
_version_	1851052731888828416
spelling	Daza Rojas, Josué DavidCoronado Herrera, JohanEspecialista en Gerencia Integral de Proyectos2025-09-23T19:36:20Z2025-09-23T19:36:20Z2024-12-16https://hdl.handle.net/10654/47488instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.umng.edu.coEn la presente investigación, se hace uso de redes neuronales artificiales (RNA) y otros métodos de Machine Learning (ML) como instrumento de lecciones aprendidas en la predicción de los costos de ejecución para proyectos de consultoría de obras fluviales. Para ello, se plantearon diferentes modelos de RNA modificando, arquitecturas, funciones de entrenamiento y activación con optimización de hiperparámetros, hallando que el mejor desempeño según las métricas Huber Loss y error cuadrático medio se da para la función de activación Relu y optimizador RMSprop, no obstante, se evidencia que los modelos RNA no generalizaron correctamente, lo que llevó a la implementación de modelos menos robustos como Random Forest (RF), y más robustos por medio del ensamble entre RNA y RF. El estudio reveló que para una base de datos real y limitada, no es conveniente la aplicación de RNA o ensambles, puesto que, en el proceso de entrenamiento para la captura de los patrones de los datos, los modelos no tienen información suficiente, lo que limita su aprendizaje, en consecuencia, para aplicar este tipo de modelos se requiere de un gran volumen de datos para capturar los patrones representativos y diferenciarlos de los ruidos. Desde la gerencia de proyectos, al hacer uso de referentes de ML se reconocen las lecciones aprendidas de proyectos anteriores a partir de datos históricos de costos de los proyectos, con los cuales, se pretenden optimizar presupuestos, recursos, sobrecostos, facilitar la toma de decisiones y ampliar la base de datos para que, a largo plazo, los nuevos proyectos de consultoría se integren y mejoren la capacidad predictiva por medio de RNA.In this research, artificial neural networks (ANN) and other Machine Learning (ML) methods are used as a tool for lessons learned in the prediction of execution costs for river works consulting projects. For this purpose, different ANN models were proposed by modifying architectures, training and activation functions with hyperparameter optimization, finding that the best performance according to Huber Loss and mean square error metrics is given for the activation function Relu and optimizer RMSprop, however, it is evident that the ANN models did not generalize correctly, which led to the implementation of less robust models such as Random Forest (RF), and more robust by means of the assembly between ANN and RF. The study revealed that for a real and limited database, the application of ANN or ensembles is not convenient, since, in the training process for capturing data patterns, the models do not have enough information, which limits their learning, consequently, to apply this type of models a large volume of data is required to capture representative patterns and differentiate them from noise. From the project management point of view, by using ML references, lessons learned from previous projects are recognized based on historical project cost data, with which it is intended to optimize budgets, resources, cost overruns, facilitate decision making and expand the database so that, in the long term, new consulting projects can be integrated and improve predictive capacity through ANN.CAPÍTULO 1 INTRODUCCIÓN 1.1 Planteamiento del Problema 1.2 Justificación 1.3 Objetivos 1.3.1 Objetivo General 1.3.2 Objetivos Específicos 1.4 Hipótesis 1.5 Presentación del Documento CAPÍTULO 2 ANTECEDENTES Y ESTADO DEL ARTE 2.1 Antecedentes 2.1.1 Consultoría en Colombia 2.1.2 Redes Neuronales Artificiales 2.2 Estado del Arte CAPÍTULO 3 MARCO DE REFERENCIA 3.1 Marco Contextual 3.1.1 Estimación análoga 3.1.2 Estimación paramétrica 3.1.3 Estimación multipunto 3.1.4 Estimación relativa 3.1.5 Estimación punto de historia 3.2 Marco Teórico 3.2.1 Consultoría 3.2.2 Estimación de costos 3.2.3 Presupuesto 3.2.4 Predicción de costos 3.2.5 Aprendizaje automático – Machine Learning 3.2.6 Métricas de evaluación 3.2.7 Otros métodos para la predicción de costos 3.3 Marco Conceptual 3.3.1 Lecciones aprendidas 3.3.2 Gestión de conocimiento 3.3.3 Gestión de riesgos del proyecto 3.3.4 Metodologías adaptativas CAPÍTULO 4 METODOLOGÍA 4.1 Tipo de estudio 4.1.1 Población de estudio 4.1.2 Herramientas o instrumentos 4.1.3 Etapas del proyecto 4.2 Fases de desarrollo 4.2.1 Fase 1. Aplicación de encuesta 4.2.2 Fase 2. Recopilación, análisis exploratorio, estandarización e identificación de datos atípicos 4.2.3 Fase 3. Aplicación y evaluación del rendimiento de las RNA para la predicción de costos 4.2.4 Fase 4. Alternativas para la predicción de costos 4.2.5 Fase 5. Interpretación y análisis de resultados CAPÍTULO 5 RESULTADOS 5.1 Métodos utilizados por los consultores para la estimación de costos 5.2 Análisis exploratorio y procesamiento de base de datos 5.2.1 Análisis exploratorio de datos 5.2.2 One-Hot Encoding 5.2.3 Estandarización de datos. Método Z-Score 5.2.4 Análisis de Componente Principal 5.2.5 Métodos para la detección de datos atípicos 5.2.6 Datos sintéticos 5.3 RNA para la predicción de costos en proyectos de consultoría de obras fluviales 5.3.1 Arquitectura red neuronal artificial (RNA) 5.3.2 Entrenamiento y validación red neuronal artificial (RNA) 5.3.3 Evaluación del rendimiento RNA. Validación cruzada 5.4 Técnicas alternativas de Machine Learning 5.4.1 Escenario 1. Random Forest 5.4.2 Escenario 2. Ensamblaje RNA y RF 5.5 Análisis comparativo de resultados y lecciones aprendidas 5.5.1 Redes neuronales artificiales 5.5.2 Bosques aleatorios 5.5.3 Ensamble de redes neuronales y bosques aleatorios 5.5.4 Análisis desde la gerencia de proyectos CAPÍTULO 6 CONCLUSIONES Y RECOMENDACIONES 6.1 De los objetivos 6.2 De los referentes de Machine Learning 6.3 De la gerencia de proyectos 6.4 Recomendaciones BIBLIOGRAFÍA APÉNDICES ANEXOSEspecializaciónapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertohttp://purl.org/coar/access_right/c_abf2Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluvialesEvaluation of artificial neural networks and other machine learning methods for cost prediction in river consulting projectsREDES NEURONALES ARTIFICIALESAPRENDIZAJE AUTOMATICOPREDICCION DE COSTOSCONSULTORIA DE INGENIERÍAOBRAS FLUVIALES - ADMINISTRACION DE PROYECTOSEstimación de costosRedes neuronales artificialesConsultoríaMachine learningRandom forestLecciones aprendidasCost estimationArtificial neural networksConsultancyMachine learningRandom forestLessons learnedTesis/Trabajo de grado - Monografía - Especializacióninfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fEspecialización en Gerencia Integral de ProyectosFacultad de IngenieríaUniversidad Militar Nueva GranadaAarti, E. (2021). Generative adversarial networks and their variants. In Generative Adversarial Networks for Image-to-Image Translation. Academic Press. doi:https://doi.org/10.1016/B978-0-12-823519-5.00003-8Abeliuk, A., & Gutiérrez, C. (2021). Historia y evolución de la inteligencia artificial. Revista Bits de Ciencia, 14-21.Agudelo, A., López, J., & Velilla, E. (2015). Predicción del Precio de la Electricidad en la Bolsa mediante un Modelo Neuronal No-Lineal Autorregresivo con Entradas Exógenas. Información tecnológica, 26(6), 99-108.Albarqi, A., & Qureshi, R. (2018). The Proposed L-Scrumban Methodology to Improve the Efficiency of Agile Software Development. International Journal of Information Engineering & Electronic Business, 23-35.Avella, K., & Romero, D. (2018). Análisis comparativo de la Ley 80 de 1993 y la Ley 1882 de 2018. Revista Nueva Época, 183-202.Bee, M. (12 de Septiembre de 2005). Copula-Based Multivariate Models with Applications to Risk Management and Insurance. Obtenido de SSRN: http://dx.doi.org/10.2139/ssrn.795964Bernilla, D. (2024). Predicción de la resistencia a la compresión del concreto usando redes neuronales artificiales. Chiclayo.Caicedo, E., & López, J. (2017). Una aproximación práctica a las redes neuronales artificiales. Cali, Colombia: Programa Editorial Universidad del Valle.Carson, J., Hollingsworth, K., Datta, R., Clark, G., & Aviv, S. (2020). A Hybrid Decision Tree-Neural Network (DT-NN) Model for Large-Scale Classification Problems. IEEE International Conference on Big Data (Big Data), 4103-4111.Castillo, J., Ortiz, J., Khalaf, I., Hernández, A., & Rodríguez, L. (2021). Noninvasive Prototype for Type 2 Diabetes Detection. Journal of Healthcare Engineering, 2021, 12.Castillo, J., Solórzano, B., & Moreno, J. (Mayo de 2018). Diseño de una red neuronal para la predicción del coeficiente de pérdidas primarias en régimen de flujo turbulento. Ingenius. Revista de Ciencia y Tecnología, 20. doi:https://doi.org/10.17163/ings.n20.2018.02Castillo, M., Padrón, R., & Gualdrón, C. (Julio de 2020). Proceedings of the 18th LACCEI International Multi-Conference for Engineering, Education and Technology. Lineamientos de estimación de costos para proyectos privados arquitectónicos, con base en un modelo de clasificación único. doi:http://dx.doi.org/10.18687/LACCEI2020.1.1.337Chereddy , N., & Bolla, B. (2023). Evaluating the Utility of GAN Generated Synthetic Tabular Data for Class Balancing and Low Resource Settings. In International Conference on Multi-disciplinary Trends in Artificial Intelligence (págs. 48-59). Cham: Springer Nature Switzerland.Coloma, J., Valverde, R., & García, M. (2017). Estimación de los costes de construcción de viviendas rústicas mediante Redes Neuronales Artificiales. Informe de la Construcción, 71. Recuperado el 22 de 04 de 2022, de https://doi.org/10.3989/ic.62206Cortes, D. (2021). Isolation forests: looking beyond tree depth. arXiv preprint arXiv:2111.11639, 1-16.Daza, L., & Montoya, D. (2022). Propuesta de modelo de gestión del conocimiento para auditorías de control fiscal realizadas por la Contraloría General de Medellín. Revista CEA, 8(16), 1-36. Recuperado el 26 de 04 de 2022Decreto 066. (16 de Enero de 2008). Obtenido de Sistema Único de Información Normativa: https://www.suin-juriscol.gov.co/viewDocument.asp?id=1702418Del Riego, S. A. (Julio de 2024). Generador de datos sintéticos tabulares basado en modelos de difusión. Madrid, España: Universidad Politécnica de Madrid.Ester, M., Kriegel, H.-P., Sander, J., & Xu, X. (Agosto de 1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In kdd, 96(34), 226-231.Fawagreh, K., Gaber, M., & Abdalla, M. (2022). In Financial Data Analytics: Theory and Application. Springer International Publishing. doi: https://doi-org.ezproxy.umng.edu.co/10.1007/978-3-030-83799-0_7Fazil, M., Chia, L., & Tamyez, M. (2021). Cost estimation performance in the construction projects: a systematic review and future directions. International Journal of Industrial Management, 11(1), 217-234.Ferro, F. (2018). Diseño de una metodología de gerenciamiento de proyectos de manejo de residuos sólidos basados en metodologías internacionales con caracterización ágil. Universidad Militar Nueva Granada, Bogotá. Recuperado el 24 de 04 de 2022Flarence, A., Bethu, S., Sowmya, V., Anusha, K., & Babu, S. (2018). Importance of supervised learning in prediction analysis. Periodicals of engineering and natural sciences, 6(1), 201-214.Fontalvo, T., De La Hoz, E., & De La Hoz, E. (2018). Método Análisis Envolvente de Datos y Redes Neuronales en la Evaluación y Predicción de la Eficiencia Técnica de Pequeñas Empresas Exportadoras. Información tecnológica, 29(6), 267-276.Franco, T. (2014). Análsis de riesgos para la presentación de un presupuesto con datos incompletos. Universidad Militar Nueva Granada, Bogotá. Recuperado el 2 de 09 de 2021Galindo, F. y. (2010). Propuesta metodológica para la implementación de la gestión del conocimiento en una empresa de consultoría. Universidad Militar Nueva Granada, Bogotá. Recuperado el 02 de 11 de 2021Ganchala, E., Piñarcaja, J., & Machado, L. (2024). Uso de Redes Neuronales Artificiales (RNA) para la Predicción de la Resistencia a la Compresión y Módulo de Elasticidad del Hormigón. Revista Ingenio, 7(1), 23-46.Garcés Ruiz, A., & Gómez Carmona, O. (2008). Solución al problema del despacho hidrotérmico mediante simulación de Monte Carlo y punto interior. Revista Facultad de Ingeniería Universidad de Antioquia (45), 132-147.García, A. (2014). Impactos de la planificación y el control presupuestal en los procesos de una empresa para la ejecución de proyectos. Universidad Militar Nueva Granada, Bogotá. Recuperado el 20 de 09 de 2021García, J. (13 de Diciembre de 2021). Cross-validation (o Validación Cruzada) para Evaluar Modelos de Machine Learning con Python [Video]. Youtube. Obtenido de https://www.youtube.com/watch?v=Qnth2VXopLgGolbayani, P., Florescu, I., & Chatterjee, R. (2020). A comparative study of forecasting Corporate Credit Ratings using Neural Networks, Support Vector Machines, and Decision Trees. The North American Journal of Economics and Finance, 54.Gomez, D. A., & Montealegre, D. A. (2016). Guía para la estimación de costos topográficos en la consultoría, construcción e interventoría de vías o carreteras. Universidad Distrital Francisco José de Caldas, Bogotá. Recuperado el 19 de 04 de 2022Gomez, M. (2015). Importancia de determinar las lecciones aprendidas en un proyecto: Caso Agrocascada. Universidad Militar Nueva Granada, Bogotá. Recuperado el 06 de 10 de 2021González Martínez, E. F. (4 de Abril de 2021). Generador de datos sintéticos para el monitoreo de transacciones con factores de riesgo de lavado de activos. Bogotá, Colombia: Universidad Jorge Tadeo Lozano.González, J., Torres, M., Jaramillo, J., & Murillo, J. (2021). An artificial intelligent framework for prediction of wildlife vehicle collision hotspots based on geographic information systems and multispectral imagery. Ecological Informatics, 63(101291). doi:https://doi.org/10.1016/j.ecoinf.2021.101291Gunduz, M., & Haci, B. (2012). An early cost estimation model for hydroelectric power plant projects using neural networks and multiple regression analysis. Journal of Civil Engineering and Management, 21(4), 470-477.Hillson, D. (2009). Managing Risk in Projects. Routledge: Gower Publishing.Jaramillo, C., Choque, W., Guerrero, G., & Meneses, C. (2020). Hass avocado ripeness classification by mobile devices using digital image processing and ANN methods. International Journal of Food Engineering, 16. doi:https://doi.org/10.1515/ijfe-2019-0161Jolliffe, I., & Cadima, J. (2016). Principal component analysis: a review and recent developments. Philosophical Transactions Royal Society, 1-16.Kamthe, S., Assefa, S., & Deisenroth, M. (2021). Copula Flows for Synthetic Data Generation. ArXiv, 1-15.Kerzner, H. (1982). Project management: A systems approach to planning, scheduling and controlling. European Journal of Operational Researc, 211.Kurb, M. (1997). La consultoría de empresas. Guía para la profesión (Tercera ed.). Ginebra: Oficina Internacional del Trabajo. Recuperado el 30 de 04 de 2022Ladino, E., García, C., & García, M. (2022). Estimación de fugas en tuberías a presión para sistemas de agua potable mediante redes neuronales artificiales y Epanet. Revista científica, 43, 2-19.Ladino, E., García, C., & García, M. (Junio de 2022). Modelado del factor de fricción en tuberías a presión utilizando redes neuronales de aprendizaje bayesiano. Ciencia en Desarrollo, 13(1), 9-23.Langr, J., & Bok, V. (2019). GANs in Action Deep learning with Generative Adversarial Networks. New York, Estados Unidos: Manning Publications Co.Lao León, Y. O., Rivas Méndez, A., Pérez Pravia, M. C., & Marreno Deldago, F. (2017). Procedimiento para el pronóstico de la demanda mediante redes neuronales artificiales. Ciencias Holguín, 23(1), 43-59. Obtenido de https://www.redalyc.org/journal/1815/181549596004/html/#redalyc_181549596004_ref11Ley 112. (23 de Noviembre de 1912). Obtenido de Sistema Único de Información Normativa: https://www.suin-juriscol.gov.co/viewDocument.asp?id=1643363Ley 1474. (12 de Julio de 2011). Obtenido de Función Pública: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=43292Ley 1670. (27 de Octubre de 1975). Obtenido de Sistema Único de Formación Normativa: https://www.suin-juriscol.gov.co/viewDocument.asp?id=1643363Ley 1882. (15 de Enero de 2018). Obtenido de Función Pública: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=84899Ley 2022. (22 de Julio de 2020). Obtenido de Función Pública: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=136375Ley 842. (9 de Octubre de 2003). Obtenido de Consejo Profesional Nacional de Ingeniería: https://www.copnia.gov.co/nuestra-entidad/normatividad/ley-842-de-2003Li, H., Want, X., & Ding, S. (2018). Research and development of neural network ensembles: a survey. Artificial Intelligence Review, 49, 455-479.Livieris, I., Alimpertis, N., Georgios, D., & Tsakalidis, D. (2024). An Evaluation Framework for Synthetic Data Generation Models. Cham: Springer Nature Switzerland, 713, 320-335. doi:https://doi.org/10.1007/978-3-031-63219-8_24LLedo, P., & Rivarola, G. (2007). Dirección profesional de proyectos. México: Pearson Education.Lu, Y., Shen, M., Wang, H., Wang, X., van Rechem, C., & Wei, W. (Agosto de 2021). Machine learning for synthetic data generation: a review. Journal of latex class files, 14(8), 1-17.Mahalakshmi, G., & Rajasekaran, C. (2019). Early Cost Estimation of Highway Projects in India Using Artificial Neural Network. Sustainable Construction and Building Materials, 25, 659–672. Recuperado el 02 de 05 de 2022Marshall Boehmwald, F. (2022). Diseño de un modelo de generación de datos sintéticos para la aplicación de modelos de machine learning en proyectos interdisciplinarios asociados a salud. Santiago de Chile, Chile: Universidad de Chile.Matel, E., Vahdatikhaki, F., Hosseinyalamdary, S., Evers, T., & Voordijk, H. (2019). An artificial neural network approach for cost estimation of engineering services. International Journal of Construction Management. Obtenido de https://doi.org/10.1080/15623599.2019.1692400Melville, B. W., & Coleman, S. E. (2000). Bridge Scour. Highlands Ranch, Colorado, USA: Water Resources Publications, LLC.Miletic, M., & Sariyar, M. (2024). Challenges of Using Synthetic Data Generation Methods for Tabular Microdata. Applied Sciences, 14(14), 1-13. doi:https://doi.org/10.3390/app14145975Neter, J., Wasserman, W., & Kutner, M. (1983). Applied linear regression models. Estados Unidos: Richard D. Irwin.Nonay, E. (2012). Real-time 3D segmentation and object detection based on a Kinect Sensor. Universidad de Zaragoza.Orjuela, A., Camargo, J., Awad, C., & Vergara, E. (2018). Tuberculosis diagnosis support analysis for precarious health information systems. Computer Methods and Programs in Biomedicine, 157, 11-17. doi:https://doi.org/10.1016/j.cmpb.2018.01.009Palencia González, F. J. (2016). Una herramienta para la estimación y predicción de precios de combustibles en base a costes. Revista Electrónica de Comunicaciones y Trabajos de ASEPUMA, 17, 1-17.Peña, C. (2008). Los inicios de la Ingeniería de Consulta en Colombia. Revista de ingeniería.Peña, J. (2014). Las 5 fases en gestión de proyectos. Madrid, Andalucía, España. Recuperado el 27 de 10 de 2021, de https://www.eoi.es/blogs/embacon/2014/04/29/las-5-fases-en-gestion-de-proyectos/Perez, F., & Fernández, H. (2007). Las redes neuronales y la evaluación del riesgo de crédito. Revista ingenierías Universidad de Medellín, 6(10), 77-91. Recuperado el 25 de 04 de 2022Petroutsatou, Ph.D., K., Georgopoulos, E., Lambropoulos, Ph.D., S., & Pantouvakis, Ph.D., J. (2011). Early Cost Estimating of Road Tunnel Construction Using Neural Networks. Journal of Construction Engineering and Management, 138(6), 679-687.Ponce, J. (10 de Julio de 2021). Blog personal sobre inteligencia artificial. Obtenido de https://jahazielponce.com/funciones-de-activacion-y-como-puedes-crear-la-tuya-usando-python-r-y-tensorflow/ProEst. (21 de Junio de 2021). Obtenido de Construction cost estimating methods: https://proest.com/construction/estimating/methods/Project Management Institute. (2013). A Guide to the Project Management Body of Knowledge (PMBOK® Guide). Quinta edición. Newtown Square, PA: Project Management Institute.Project Management Institute. (2017). A Guide to the Project Management Body of Knowledge (PMBOK® Guide). Sexta edición. Newtown Square, PA: Project Management Institute.Project Management Institute. (2021). A guide to the project management body of knowledge (PMBOK® guide). séptima edición. Newtown Square, PA: Project Management Institute.Quintero, Y., Ardila, D., Camargo, E., Rivas, F., & Aguilar, J. (Julio de 2021). Machine learning models for the prediction of the SEIRD variables for the COVID-19 pandemic based on a deep dependence analysis of variables. Computers in Biology and Medicine, 134(104500). doi:https://doi.org/10.1016/j.compbiomed.2021.104500Riverola, F., & Corchado, F. (2000). Sistemas híbridos neuro-simbólicos: Una revisión. Inteligencia artificial. Revista Iberoamericana de Inteligencia Artificial, 4(11), 12-26.Rodríguez, D. (12 de abril de 2024). Analytics Lane. Obtenido de Explorando Local Outlier Factor (LOF): Un enfoque eficaz para la detección de anomalías : https://www.analyticslane.com/2024/04/12/explorando-local-outlier-factor-lof-un-enfoque-eficaz-para-la-deteccion-de-anomalias/Rodríguez, H., & Rojas, P. (2015). Técnicas de estimación de costos para proyectos: Revisión Bibliográfica de 2005 a 2015. Bogotá.Ruder, S. (2016). Anoverview of gradient descent optimization algorithms. arXiv.Salem, A., & Abokifa, A. (2023). Machine Learning–Based Source Identification in Sewer Networks. Journal of Water Resources Planning and Management, 149(8), 1-14. doi:https://doi-org.ezproxy.umng.edu.co/10.1061/JWRMD5.WRENG-6050Sampieri, R., & Mendoza, P. (2018). Metodología de la investigación: las rutas cuantitativa, cualitativa y mixta. México: McGraw Hill Interamericana Editores S.A. Recuperado el 08 de 05 de 2022Sarhan, F., & Hadhal, N. (2015). Investigation and Evaluation of the Cost Estimation Methods of Iraqi communication projects. International Journal of Engineering and Management Research, 5(5), 362-369.Sarria, A. (2021). Crisis y realidades de la ingeniería civil colombiana. Revista de Ingeniería.Silva, G. (Mayo de 2008). Efectos derivados del cambio del factor calidad por el factor precio en la ingeniería de consulta. Revista de ingeniería universidad de los Andes(27), 77-85. Recuperado el 30 de 04 de 2022Silva, J., Herazo, J., Millán, R., Lezama, O., Morgado, W., & Varela, N. (2019). Early warning method for the commodity prices based on artificial neural networks: SMEs case. Procedia Computer Science, 151, 1243-1248. doi:https://doi.org/10.1016/j.procs.2019.04.179Snoek, J., Larochelle, H., & Adams, R. (2012). Practical Bayesian Optimization of Machine Learning Algorithms. arXiv.Tayefeh, S., Mahdi, O., & Kaur, H. (2020). Cost estimation and prediction in construction projects: a systematic review on machine learning techniques. SN Applied Sciences, 2(1703). doi:https://doi-org.ezproxy.umng.edu.co/10.1007/s42452-020-03497-1Tello, E. (2024). Desarrollo de un modelo de predicción para evaluar la calidad de una edificación utilizando redes neuronales artificiales de propagación hacia atrás. Riobamba, Ecuador: Universidad Nacional de Chimborazo.Tijanić, K., Car-Pušić, D., & Šperac, M. (2019). Cost estimation in road construction using artificial neural network. Neural Computing and Applications, 32, 9343–9355.Vabalas, A., Gowen, E., Poliakoff, E., & Casson, A. (2019). Machine learning algorithm validation with a limited sample size. PLOS ONE, 14(11). doi:https://doi.org/10.1371/journal.pone.0224365Vanegas, J. (2016). Metodología de control de costos de presupuesto en construcciones verticales. Universidad Militar Nueva Granada, Bogotá. Recuperado el 15 de 11 de 2021Velarde, H. (2017). Modelo para la estimación del esfuerzo de desarrollo en tareas de ingeniería de proyectos de software empleando aprendizaje automático. Granada. Recuperado el 07 de 05 de 2022Villada, F., Molina, J., & García, E. (2011). Pronóstico del Precio de la Energía Eléctrica usando Redes Neuro-Difusas. Información tecnológica, 22(6), 111-120.Villada, Fernando; Muñoz, Nicolás; García, Edwin. (2012). Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores. Información tecnológica, 23(4), 11-20.Villada, Fernando; Muñoz, Nicolás; García, Edwin. (2016). Redes Neuronales Artificiales aplicadas a la Predicción del Precio del Oro. Información tecnológica, 27(5), 143-150.Vos, G., Trinh, K., Sarnyai, Z., & Azghadi, M. (2022). Ensemble Machine Learning Model Trained on a New Synthesized Dataset Generalizes Well for Stress Prediction Using Wearable Devices. Journal of Biomedical Informatics, 1-16. doi:https://doi.org/10.1016/j.jbi.2023.104556Wenhui, F., & Yafeng, Z. (2023). Construction cost prediction based on adaptive boosting and artificial neural networks. Smart Infrastructure and Construction.Xu, H., Kinfu, K., LeVine, V., Sambit, P., Dey, J., Ainsworth, M., . . . Priebe, C. (2021). When are Deep Networks really better than Decision Forests at small sample sizes, and how? arXiv preprint, 1-20.Yang, S., Moon, S., Jang, H., Choo, S., & Kim, S.-A. (2022). Parametric Method and Building Information Modeling-Based Cost Estimation Model for Construction Cost Prediction in Architectural Planning. Applied Sciences., 12(19), 9553.Calle 100LICENSElicense.txtlicense.txttext/plain; charset=utf-82987https://repository.umng.edu.co/bitstreams/052e85ee-520f-4e83-9c38-c2cf21c23d1b/download81e3acf9df1aa1fe959862fa43bb5e45MD52ORIGINALCoronadoHerreraJohan2024.pdfCoronadoHerreraJohan2024.pdfArtículoapplication/pdf3873061https://repository.umng.edu.co/bitstreams/43a1bd38-5ee9-4a8b-b57b-b6f0fa74aa11/downloadeee07e0ff06ff87c2514118f01a256cbMD53THUMBNAILCoronadoHerreraJohan2024.pdf.jpgCoronadoHerreraJohan2024.pdf.jpgIM Thumbnailimage/jpeg6167https://repository.umng.edu.co/bitstreams/2f27172a-346c-43f4-a1e4-9e2fcf62e7ac/downloadba9dd28ae76fd58ef56405c4f060fba3MD5410654/47488oai:repository.umng.edu.co:10654/474882025-09-24 03:00:53.507http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repository.umng.edu.coRepositorio Institucional UMNGbibliodigital@unimilitar.edu.coPHNwYW4gY2xhc3M9Im1iLTUgcHJlc2VydmUtbGluZS1icmVha3MiPgo8aDIgY2xhc3M9InRleHQtY2VudGVyIj5MaWNlbmNpYSBkZSBkZXDDs3NpdG88L2gyPgoKRWwgYXV0b3IgZGUgbGEgb2JyYSAodGVzaXMsIG1vbm9ncmFmw61hLCB0cmFiYWpvIGRlIGdyYWRvIG8gY3VhbHF1aWVyIG90cm8gZG9jdW1lbnRvIGNvbiBjYXLDoWN0ZXIgYWNhZMOpbWljbyksIGFjdHVhbmRvIGVuIG5vbWJyZSBwcm9waW8sIGhhY2UgZW50cmVnYSBkZWwgZWplbXBsYXIgcmVzcGVjdGl2byB5IGRlIHN1cyBhbmV4b3MgZW4gZm9ybWF0byBkaWdpdGFsIG8gZWxlY3Ryw7NuaWNvLgoKU2kgc3UgZG9jdW1lbnRvIHRpZW5lIGFjY2VzbyByZXN0cmluZ2lkbywgc2UgZGVwb3NpdGFyw6EgZW4gZWwgUmVwb3NpdG9yaW8gSW5zdGl0dWNpb25hbCBVTU5HIMO6bmljYW1lbnRlIGNvbiBwcm9ww7NzaXRvcyBkZSBwcmVzZXJ2YWNpw7NuIGRvY3VtZW50YWwgeSBtZW1vcmlhIGluc3RpdHVjaW9uYWwsIGVudGVuZGllbmRvIHF1ZSwgc2Vyw6EgY29uc3VsdGFkbyBkZSBmb3JtYSBjb250cm9sYWRhIHNvbGFtZW50ZSBwb3IgbGEgY29tdW5pZGFkIE5lb2dyYW5hZGluYS4KClNpIHN1IGRvY3VtZW50byBlcyBkZSBhY2Nlc28gYWJpZXJ0bywgcGFyYSBwZXJtaXRpciBhIGxhIDxiPlVOSVZFUlNJREFEIE1JTElUQVIgTlVFVkEgR1JBTkFEQSAtIFJlcG9zaXRvcmlvIEluc3RpdHVjaW9uYWwgVU1ORzwvYj4gYSByZXByb2R1Y2lyLCB0cmFkdWNpciB5IGRpc3RyaWJ1aXIgc3UgZW52w61vIGEgdHJhdsOpcyBkZWwgbXVuZG8gYmFqbyBsYSBMZXkgMjMgZGUgMTk4Mi0gTGV5IDQ0IGRlIDE5OTMgLUxleSAxOTE1IGRlIDIwMTggLSBEZWNpc2nDs24gQW5kaW5hIDM1MSBkZSAxOTkzLSBEZWNyZXRvIDQ2MCBkZSAxOTk1IHkgZGVtw6FzIG5vcm1hcyBnZW5lcmFsZXMgc29icmUgbGEgbWF0ZXJpYSwgbmVjZXNpdGFtb3Mgc3UgY29uZm9ybWlkYWQgeSBhdXRvcml6YWNpw7NuIGVuIGxvcyBzaWd1aWVudGVzIHTDqXJtaW5vczoKCjx1bCBjbGFzcz0ibWItbjIiPgo8bGk+IEVMIEVTVFVESUFOVEUgLSBBVVRPUiwgbWFuaWZpZXN0YSBxdWUgbGEgb2JyYSBvYmpldG8gZGUgbGEgcHJlc2VudGUgYXV0b3JpemFjacOzbiBlcyBvcmlnaW5hbCB5IGxhIHJlYWxpesOzIHNpbiB2aW9sYXIgbyB1c3VycGFyIGRlcmVjaG9zIGRlIGF1dG9yIGRlIHRlcmNlcm9zLCBwb3IgbG8gdGFudG8sIGxhIG9icmEgZXMgZGUgZXhjbHVzaXZhIGF1dG9yw61hIHkgdGllbmUgbGEgdGl0dWxhcmlkYWQgc29icmUgbGEgbWlzbWEuPC9saT4KPGxpPkVuIGNhc28gZGUgcHJlc2VudGFyc2UgY3VhbHF1aWVyIHJlY2xhbWFjacOzbiBvIGFjY2nDs24gcG9yIHBhcnRlIGRlIHVuIHRlcmNlcm8gZW4gY3VhbnRvIGEgbG9zIGRlcmVjaG9zIGRlIGF1dG9yIHNvYnJlIGxhIG9icmEgZW4gY3Vlc3Rpw7NuLCBFTCBFU1RVRElBTlRFIC0gQVVUT1IsIGFzdW1pcsOhIHRvZGEgbGEgcmVzcG9uc2FiaWxpZGFkLCB5IHNhbGRyw6EgZW4gZGVmZW5zYSBkZSBsb3MgZGVyZWNob3MgYXF1w60gYXV0b3JpemFkb3M7IHBhcmEgdG9kb3MgbG9zIGVmZWN0b3MgbGEgdW5pdmVyc2lkYWQgYWN0w7phIGNvbW8gdW4gdGVyY2VybyBkZSBidWVuYSBmZS48L2xpPgo8bGk+SGFjZXIgY2FtYmlvcyBkZSB2ZXJzacOzbiBkaWdpdGFsIGRlbCBkb2N1bWVudG8sIGNvbiBwcm9ww7NzaXRvcyBkZSBzZWd1cmlkYWQsIHByZXNlcnZhY2nDs24geSBjb25zZXJ2YWNpw7NuLjwvbGk+CjxsaT5MYSBjZXNpw7NuIGRlIGRlcmVjaG9zIGRlIGF1dG9yIGRlYmVyw6EgZWZlY3R1YXJzZSBwb3IgZWwgY3JlYWRvciBkZSBsYSBvYnJhLCBxdWllbiBkZSBtYW5lcmEgZXhwcmVzYSBpbmRpY2Fyw6EgZWwgYWxjYW5jZSBkZSBkaWNoYSBjZXNpw7NuLjwvbGk+CjxsaT5MYSBVbml2ZXJzaWRhZCBNaWxpdGFyIE51ZXZhIEdyYW5hZGEgcG9kcsOhIGluY2x1aXIgbGEgb2JyYSBlbiBsb3Mgw61uZGljZXMgeSBidXNjYWRvcmVzIHF1ZSBlc3RpbWVuIG5lY2VzYXJpb3MgcGFyYSBtYXhpbWl6YXIgbGEgdmlzaWJpbGlkYWQgZWwgdXNvIHkgZWwgaW1wYWN0byBkZSBsYSBwcm9kdWNjacOzbiBjaWVudMOtZmljYSB5IGFjYWTDqW1pY2EgZW4gbGEgY29tdW5pZGFkIGxvY2FsLCBuYWNpb25hbCBvIGludGVybmFjaW9uYWwuPC9saT4KPGxpPkxhIGF1dG9yaXphY2nDs24gc2UgaGFjZSBhIHTDrXR1bG8gZ3JhdHVpdG8sIHBvciBsbyB0YW50bywgbG9zIGF1dG9yZXMgcmVudW5jaWFuIGEgcmVjaWJpciBiZW5lZmljaW8gYWxndW5vIHBvciBsYSBwdWJsaWNhY2nDs24sIGRpc3RyaWJ1Y2nDs24sIGNvbXVuaWNhY2nDs24gcMO6YmxpY2EgeSBjdWFscXVpZXIgb3RybyB1c28gcXVlIHNlIGhhZ2EgZW4gbG9zIHTDqXJtaW5vcyBkZSBsYSBwcmVzZW50ZSBsaWNlbmNpYSB5IGRlIGxhIGxpY2VuY2lhIGRlIHVzbyBjb24gcXVlIHNlIHB1YmxpY2EgKENyZWF0aXZlIENvbW1vbnMpLjwvbGk+CjwvdWw+CgpMYSBwcmVzZW50ZSBhdXRvcml6YWNpw7NuIHNlIGhhY2UgZXh0ZW5zaXZhIG5vIHPDs2xvIGEgbGFzIGZhY3VsdGFkZXMgeSBkZXJlY2hvcyBkZSB1c28gc29icmUgbGEgb2JyYSBlbiBmb3JtYXRvIG8gc29wb3J0ZSBtYXRlcmlhbCwgc2lubyB0YW1iacOpbiBwYXJhIGZvcm1hdG8gdmlydHVhbCwgZWxlY3Ryw7NuaWNvLCBkaWdpdGFsLCB5IGN1eW8gdXNvIHNlIGRlIGVuIHJlZCwgaW50ZXJuZXQsIGV4dHJhbmV0LCBpbnRyYW5ldCwgZXRjLiwgeSBlbiBnZW5lcmFsIGVuIGN1YWxxdWllciBmb3JtYXRvIGNvbm9jaWRvIG8gcG9yIGNvbm9jZXIuCgpTaSB0aWVuZSBhbGd1bmEgZHVkYSBzb2JyZSBsYSBwcmVzZW50ZSBsaWNlbmNpYSwgcG9yIGZhdm9yLCBjb250YWN0ZSBjb24gZWwgYWRtaW5pc3RyYWRvciBkZWwgc2lzdGVtYSA8YSBocmVmPSJtYWlsdG86YmlibGlvZGlnaXRhbEB1bmltaWxpdGFyLmVkdS5jbyI+YmlibGlvZGlnaXRhbEB1bmltaWxpdGFyLmVkdS5jbzwvYT4KPC9zcGFuPgo=

Evaluación de redes neuronales artificiales y otros métodos de aprendizaje automático para la predicción de costos en proyectos de consultoría de obras fluviales

Publicaciones similares