Mostrar el registro sencillo del documento
Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500
dc.rights.license | Atribución-NoComercial-SinDerivadas 4.0 Internacional |
dc.contributor.advisor | Torres Madroñero, María Constanza |
dc.contributor.author | Murillo Ospina, Samuel |
dc.date.accessioned | 2024-07-19T15:05:09Z |
dc.date.available | 2024-07-19T15:05:09Z |
dc.date.issued | 2024-07-09 |
dc.identifier.uri | https://repositorio.unal.edu.co/handle/unal/86576 |
dc.description | Ilustraciones, gráficos |
dc.description.abstract | La realización de pronósticos precisos es crucial en la sociedad y en la ciencia, debido a que permiten anticipar tendencias y comprender el impacto de las variables consideradas en el comportamiento futuro de un fenómeno de interés. Este trabajo aborda el desafío de mejorar el desempeño de los modelos predictivos. Para ello, se llevó a cabo una investigación cuantitativa con el objetivo de evaluar la predicción del precio de cierre del índice bursátil S&P500 mediante la aplicación de un modelo Transformer, integrando técnicas de autoaprendizaje. Acorde con lo anterior, se realizó la implementación y optimización del modelo, logrando un error porcentual promedio del 1,52% y un máximo del 4,04% en la predicción de los próximos 60 valores del S&P500. Para mejorar el desempeño se incorporó autoaprendizaje basado en la distancia de Mahalanobis. Así se mejoró el rendimiento al reducir el error a 1,22%, que corresponde a una disminución de 19,67% con respecto al valor antes de incorporar el método mencionado. Comparado con métodos tradicionales, el Transformer demostró una precisión superior, capturando patrones complejos y fue posible ajustar sus resultados automáticamente a través de la distancia de Mahalanobis. Los hallazgos resaltan la importancia de la investigación continua en la predicción de series de tiempo utilizando inteligencia artificial en combinación con técnicas que permitan ajustar los modelos de acuerdo con información histórica y los registros de desempeño. (Tomado de la fuente) |
dc.description.abstract | The realization of accurate forecasts is crucial in society and science, as they allow to anticipate trends and understand the impact of variables considered on the future behavior of an interest phenomenon. This work takes the challenge of improving the performance of predictive models. To achieve this, a quantitative research was developed with the objective of evaluating the prediction of the closing price of the S&P500 stock index using a Transformer model, integrating self-learning techniques. In accordance with the above, the implementation and optimization of the model were carried out, achieving an average percentage error of 1.52% and a maximum of 4.04% in the prediction of the next 60 values of the S&P500. To improve performance, self-learning based on Mahalanobis distance was incorporated. Thus, performance was improved by reducing the error to 1.22%, which corresponds to a 19.67% decrease compared to the value before incorporating the mentioned method. Compared to traditional methods, Transformer demonstrated superior accuracy, capturing complex patterns, and it was possible to automatically adjust its results through the Mahalanobis distance. The findings highlight the importance of continuous research in time series prediction using artificial intelligence in combination with techniques that allow models to be adjusted according to historical information and performance records. |
dc.format.extent | 91 páginas |
dc.format.mimetype | application/pdf |
dc.language.iso | spa |
dc.publisher | Universidad Nacional de Colombia |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ |
dc.subject.ddc | 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores |
dc.title | Inteligencia artificial y autoaprendizaje para la mejora de modelos predictivos : caso de estudio con el índice S&P500 |
dc.type | Trabajo de grado - Maestría |
dc.type.driver | info:eu-repo/semantics/masterThesis |
dc.type.version | info:eu-repo/semantics/acceptedVersion |
dc.publisher.program | Medellín - Minas - Maestría en Ingeniería - Analítica |
dc.description.degreelevel | Maestría |
dc.description.degreename | Magíster en Ingeniería - Analítica |
dc.description.technicalinfo | Implementación de arquitectura Transformer para pronóstico de series de tiempo e incorporación de técnicas de autoaprendizaje con base en distancia estadística - caso de estudio con el índice S&P500. |
dc.identifier.instname | Universidad Nacional de Colombia |
dc.identifier.reponame | Repositorio Institucional Universidad Nacional de Colombia |
dc.identifier.repourl | https://repositorio.unal.edu.co/ |
dc.publisher.faculty | Facultad de Minas |
dc.publisher.place | Medellín, Colombia |
dc.publisher.branch | Universidad Nacional de Colombia - Sede Medellín |
dc.relation.indexed | LaReferencia |
dc.relation.references | Ahmad A. Al Sallab & Mohsen A. Rashwan. (2011). Self learning machines using Deep Networks. Cairo University. Obtenido de: https://www.researchgate.net/publication/241624295_Self_learning_machines_usi ng_Deep_Networks |
dc.relation.references | Alvarado., R. E. (2015). Una mirada a la inteligencia artificial. Revista Ingeniería, Matemáticas y Ciencias de la Información, ISSN-e 2357-3716, Vol. 2, Nº. 3. Obtenido de: https://dialnet.unirioja.es/servlet/articulo?codigo=7894426 |
dc.relation.references | Ashour., M.A.H y Ahmed., A.S. (2023). Bitcoin prediction with a hybrid model. Periodicals of Engineering and Natural Sciences Original Research Vol. 11, No. 1, pp.186- 196. Obtenido de: DOI: 10.21533/pen.v11i1.3452 |
dc.relation.references | Avendaño., Q. J. (2020). Automatización del mecanismo de funcionamiento de la válvula grabber para manejo de tubería. Obtenido de: http://repositorio.uan.edu.co/bitstream/123456789/7333/3/2022_JohanAlexanderA venda%C3%B1oQuiroga.pdf |
dc.relation.references | Azarnejad., A y Khaloozadeh., H. (2022). Stock return system identification and multiple adaptive forecast algorithm for price trend forecasting. Obtenido de: DOI: 10.1016/j.eswa.2022.116685 |
dc.relation.references | Barbaglia L., Consoli S., Wang S. (2021). Financial Forecasting with Word Embeddings Extracted from News: A Preliminary Analysis. Obtenido de: https://www.researchgate.net/publication/358703709_Financial_Forecasting_with_ Word_Embeddings_Extracted_from_News_A_Preliminary_Analysis |
dc.relation.references | Base de datos Scopus. (2023). Advanced search. Disponible en: https://www-scopus com.ezproxy.unal.edu.co/search |
dc.relation.references | Beyer D. S., Coussement K., De Caigny A., Pérez L.F & Creemers S. (2023). Do the US president's tweets better predict oil prices? An empirical examination using long short-term memory networks. Obtenido de: https://www.x mol.net/paper/article/16757165904832593 |
dc.relation.references | Broz., R. D y Viego., N. V. (2014). Predicción de precios de productos de Pinus spp con modelos ARIMA. vol.20 no.1, ISSN 1405-0471. Obtenido de: https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405- 04712014000100004 |
dc.relation.references | Cadena., J. B, Ariza., M. J., y Palomo., R. J. (2018). La gestión de pronóstico en las decisiones empresariales: un análisis empírico. Revista Espacios, 39(13), 1-1. Obtenido de: https://www.cesa.edu.co/wp-content/uploads/2020/08/2020_Grupo de-Investigacion.pdf |
dc.relation.references | Cai., B y Di., Q. (2023). Different Forecasting Model Comparison for Near Future Crash Prediction. Applied Sciences (Switzerland), 13 (2), art. no. 759. Obtenido de: DOI: 10.3390/app13020759 |
dc.relation.references | Callejas, C. M & Vélez G. M. (2019). Predicción electoral usando un modelo híbrido basado en análisis sentimental: elecciones presidenciales de Colombia. Obtenido de: https://www.researchgate.net/publication/339581272_Prediccion_electoral_usand o_un_modelo_hibrido_basado_en_analisis_sentimental_y_seguimiento_a_encue stas_elecciones_presidenciales_de_Colombia |
dc.relation.references | Castrillón., E. J, García., D. J, Anaya., T. M, Rodríguez., B. D, De la Rosa., B. D y Caballero., U. C. (2008). Bases de datos, motores de búsqueda e índices temáticos: herramientas fundamentales para el ejercicio médico. Salud Uninorte, vol. 24, núm. 1, pp. 95-119. Universidad del Norte Barranquilla, Colombia. Obtenido de: https://www.redalyc.org/pdf/817/81724111.pdf |
dc.relation.references | Chen., K, Chen., G, Xu., D, Zhang., L, Huang., Y & Knoll., A. (2021). NAST: Non Autoregressive Spatial-Temporal Transformer for Time Series Forecasting. Obtenido de: https://www.researchgate.net/publication/349195112_NAST_Non Autoregressive_Spatial-Temporal_Transformer_for_Time_Series_Forecasting |
dc.relation.references | Cheng., M. Y, Fang., Y. C y Wang., C. Y. (2021). Auto-tuning SOS Algorithm for Two Dimensional Orthogonal Cutting Optimization. KSCE Journal of Civil Engineering, 25 (10), pp. 3605-3619. Obtenido de: DOI: 10.1007/s12205-021-0522-y |
dc.relation.references | Cong., N. B, Pérez., R. L & Morell. C. (2015). Aprendizaje supervisado de funciones de distancia: estado del arte. Obtenido de: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2227-18992015000200002 |
dc.relation.references | Correa., V. M. (2010). Inteligencia artificial para la predicción y control del acabado superficial en procesos de fresado a alta velocidad. Obtenido de: https://oa.upm.es/37172/1/TD_CORREA_%20VALENCIA_MARITZA.pdf |
dc.relation.references | Departamento de ciencias de la computación e I. A (DECSAI). (s. f). Modelado de datos. Fundamentos de diseño de bases de datos. Universidad de Granada. Obtenido de: https://elvex.ugr.es/idbis/db/docs/intro/C%20Modelado%20de%20datos.pdf |
dc.relation.references | Derby., S. J. (2005). Design of Automatic Machinery. Obtenido de: https://www.researchgate.net/publication/329026602_Design_of_Automatic_Mach inery |
dc.relation.references | Díaz., M. L. (2007). Estadística multivariada: inferencia y métodos. Universidad Nacional de Colombia. Sede Bogotá. Departamento de Estadística. Facultad de ciencias. Obtenido de: https://repositorio.unal.edu.co/bitstream/handle/unal/79907/Estad%C3%ADstica% 20Multivariada%209789587011951.pdf?sequence=2&isAllowed=y |
dc.relation.references | Espino., T. C. (2017). Análisis predictivo: técnicas y modelos utilizados y aplicaciones del mismo - herramientas Open Source que permiten su uso. Obtenido de: https://openaccess.uoc.edu/bitstream/10609/59565/6/caresptimTFG0117mem%C 3%B2ria.pdf |
dc.relation.references | Gallegos., M. E. (2013). Métodos de pronósticos para negocios. Editorial digital Tecnológico de Monterrey. Instituto Tecnológico y de Estudios Superiores de Monterrey, México. Obtenido de: http://prod77ms.itesm.mx/podcast/EDTM/P196.pdf |
dc.relation.references | Gil., R. M. (1994). La base de datos. Importancia y aplicación en educación. Perfiles Educativos, núm. 65. Obtenido de: https://www.redalyc.org/pdf/132/13206506.pdf |
dc.relation.references | Grudniewicz, J. (2023). Application of machine learning in algorithmic investment strategies on global stock markets. Obtenido de: https://www.sciencedirect.com/science/article/pii/S0275531923001782 |
dc.relation.references | Guzmán., A. S y Hurtado., F. J. (2021). Predicción de la tendencia del indicador S&P500. Universidad de Antioquia, Facultad de Ingeniería, Departamento de Posgrados Medellín, Colombia. Obtenido de: https://bibliotecadigital.udea.edu.co/bitstream/10495/20116/7/GuzmanMarcelan_2 021_PrediccionS%26P500.pdf |
dc.relation.references | Hanke, J. E. and Wichern, D. W. (2014). Business Forecasting (9th ed.). Harlow, England: Pearson Education Limited. Obtenido de: https://pdfcoffee.com/qdownload/hanke-john-e-wichern-dean-w-business forecasting-pearson-2014-pdf-free.html |
dc.relation.references | Harford, T. (2014). Big data: are we making a big mistake? The Royal Statistical Society Journal, Volume 11, Issue 5, p. 18. Obtenido de: https://rss.onlinelibrary.wiley.com/doi/epdf/10.1111/j.1740-9713.2014.00778.x |
dc.relation.references | Hestness., J, Narang., S, Ardalani., N, Diamos., G, Jun., H, Kianinejad., H, Patwary., M, Yang., Y & Zhou., Y. (2017). Deep Learning scaling is predictable, empirically. Baidu Research. Obtenido de: https://arxiv.org/pdf/1712.00409 |
dc.relation.references | Hu., J. (2022). Intelligent Decisionmaking System through LSTM Prediction Model and DQN algorithm. Obtenido de: DOI: 10.1109/ICDSCA56264.2022.9988461 |
dc.relation.references | Investing. (2023). Datos históricos S&P 500. Obtenido de: https://es.investing.com/indices/us-spx-500-historical-data |
dc.relation.references | Irabaruta., J. (2021). Stock Trading with Machine Learning Methods and Technical Indicators. Obtenido de: https://www.researchgate.net/publication/357049879_Stock_Trading_with_Machin e_Learning_Methods_and_Technical_Indicators |
dc.relation.references | Iyer., S y Mahajan., A. (2023). Short-term Adaptive Forecast Model for TEC over equatorial low latitude region. Dynamics of Atmospheres and Oceans, 101, art. no. 101347. Obtenido de: DOI: 10.1016/j.dynatmoce.2022.101347 |
dc.relation.references | Jaramillo., R. L. (2012). Métodos cualitativos y cuantitativos versus métodos de inteligencia artificial. Obtenido de: https://repository.cesa.edu.co/bitstream/handle/10726/428/ADM2012- 00624.pdf?sequence=8&isAllowed=y |
dc.relation.references | Kaeley., H, Qiao., Y & Bagherzadeh., N. (2023). Support for Stock Trend Prediction Using Transformers and Sentiment Analysis. Obtenido de: https://arxiv.org/pdf/2305.14368.pdf |
dc.relation.references | Kim H., Park K., Jeon J., Song C., Bae J., Kim Y & Kang M. (2021). Candidate Point Selection using a Self-Attention Mechanism for Generating a Smooth Volatility Surface under the SABR model. Obtenido de: https://www.researchgate.net/publication/349192855_Candidate_Point_Selection_ using_a_Self Attention_Mechanism_for_Generating_a_Smooth_Volatility_Surface_under_the_S ABR_model |
dc.relation.references | Liang. L & Cai. X. (2022). Time-sequencing European options and pricing with deep learning – Analyzing based on interpretable ALE method. Obtenido de: https://www.sciencedirect.com/science/article/abs/pii/S095741742101304X |
dc.relation.references | Maisueche C. A. (2019). Utilización del machine learning en la industria 4.0. Máster en ingeniería industrial, escuela de ingenierías industriales Universidad de Valladolid. Obtenido de: https://core.ac.uk/download/pdf/228074134.pdf |
dc.relation.references | Management solutions. (2020). Auto Machine learning, hacia la automatización de los modelos. Obtenido de: https://www.managementsolutions.com/sites/default/files/publicaciones/esp/auto machine-learning-sp.pdf |
dc.relation.references | Matthew J. Pagea, Joanne E. McKenzie, Patrick M. Bossuyt, Isabelle Boutron, Tammy C. Hoffmann, Cynthia D. Mulrow, Larissa Shamseer, Jennifer M. Tetzlaff, Elie A. Akl, Sue E. Brennana, Roger Chou, Julie Glanville, Jeremy M. Grimshaw, Asbjørn Hróbjartsson, Manoj M. Lalu, Tianjing Li, Elizabeth W. Loder, Evan Mayo-Wilson, Steve McDonalda, Luke A. McGuinness, Lesley A. Stewart, James Thomas, Andrea C. Tricco, Vivian A. Welch, Penny Whitingq, David Moher. (2021). Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones sistemáticas. Obtenido de: https://www.revespcardiol.org/es-declaracion-prisma 2020-una-guia-articulo-S0300893221002748 |
dc.relation.references | Mendieta., P. M & Sotolongo., L. C. (2019). El pronóstico y su importancia en la práctica clínica. Obtenido de: http://scielo.sld.cu/pdf/med/v58n3/1561-302X-med-58-03- e1322.pdf |
dc.relation.references | Millea., A. (2021). Deep Reinforcement Learning For Trading. A Critical Survey. Obtenido de: https://www.researchgate.net/publication/356279401_Deep_Reinforcement_Learn ing_For_Trading-A_Critical_Survey |
dc.relation.references | Moreno, R. N. (2018). Aplicaciones de la Analítica y la Minería de Datos en la Gestión de Recursos Humanos. Trabajo de grado - Maestría. Universidad Nacional de Colombia. Facultad de Minas, Departamento de Ingeniería de la Organización. Medellín, Colombia. Obtenido de: https://repositorio.unal.edu.co/handle/unal/68928 |
dc.relation.references | Moreno., A, Armengol., E, Béjar., J, Belanche., L, Cortés., U, Gavaldá., R, Gimeno., J. M, López., B, Martín., M y Sánchez., M. (1994). Aprendizaje automático. Ediciones de la Universidad Politécnica de Catalunya, SL Jordi Girona Salgado. Barcelona. Obtenido de: https://upcommons.upc.edu/bitstream/handle/2099.3/36157/9788483019962.pdf |
dc.relation.references | Nieto., C. E. (2006). Manufactura y automatización. Ingeniería e Investigación, vol. 26, núm. 3, pp. 120-128. Obtenido de: https://www.redalyc.org/pdf/643/64326315.pdf |
dc.relation.references | Nipun., D. N, Chaspari., T y Behzadan., H. A. (2018). Automated ergonomic risk monitoring using body-mounted sensors and machine learning. Obtenido de: https://www.sciencedirect.com/science/article/am/pii/S1474034618300454 |
dc.relation.references | Pérez., P. A, Cruz., J, Guatemala., V. A, Juárez., F. V. (2018). Importancia de los pronósticos en la toma de decisiones en las MIPYMES. Obtenido de: https://revistageon.unillanos.edu.co/index.php/geon/article/view/17/11 |
dc.relation.references | Poddubnaya., A.A y Keller., A.V. (2020). "forecast" - Adaptive forecast diagnostic intelligent system for vehicles. IOP Conference Series: Materials Science and Engineering, 819 (1), art. no. 012008. Obtenido de: DOI: 10.1088/1757- 899X/819/1/012008 |
dc.relation.references | Pouls, M., Ahuja, N., Glock, K., Meyer, A. (2022). Adaptive forecast-driven repositioning for dynamic ride-sharing. Obtenido de: DOI: 10.1007/s10479-022-04560-3 |
dc.relation.references | Ramírez., H. D. (2018). El machine Learning a través de los tiempos, y los aportes a la humanidad. Universidad Libre Seccional Pereira. Facultad De Ingenierías. Programa De Ingeniería De Sistemas. Obtenido de: https://repository.unilibre.edu.co/bitstream/handle/10901/17289/EL%20MACHINE %20LEARNING.pdf?sequence=1 |
dc.relation.references | Rico., P. A y Sánchez., G. D. (2018). Diseño de un modelo para automatizar la predicción del rendimiento académico en estudiantes del IPN. Revista Iberoamericana para la investigación y el desarrollo educativo, ISSN 2007-7467. Obtenido de: https://www.scielo.org.mx/pdf/ride/v8n16/2007-7467-ride-8-16-00246.pdf |
dc.relation.references | Sampieri, H. R. (2014). Metodología de la investigación. McGraw-Hill / Interamericana editores, S.A. de C.V. México D.F. ISBN: 978-1-4562-2396-0. Obtenido de: https://www.uca.ac.cr/wp-content/uploads/2017/10/Investigacion.pdf |
dc.relation.references | Sánchez., M. J. (2010). Cómo realizar una revisión sistemática y un meta-análisis. Obtenido de: http://www.um.es/metaanalysis/pdf/5030.pdf |
dc.relation.references | Shahvaroughi Farahani M & Razavi Hajiagha S.H. (2021). Forecasting stock price using integrated artificial neural network and metaheuristic algorithms compared to time series models. Obtenido de: https://link.springer.com/article/10.1007/s00500-021- 05775-5 |
dc.relation.references | Suarez., B. L. (2018). Modelo de pronóstico de series de tiempo basado en técnicas de analítica predictiva en la mejora del proceso de definición del plan y presupuesto de ventas. Obtenido de: https://repositorio.escuelaing.edu.co/bitstream/handle/001/798/Luis%20Carlos%2 0Suarez%20Bernal.pdf?sequence=2&isAllowed=y |
dc.relation.references | Sun-Hee, K. Christos, F & Hyung, J. Y. (2013). Coercively Adjusted Auto Regression Model for Forecasting in Epilepsy EEG. Computational and Mathematical Methods in Medicine, Volume 2013. Article ID 545613. Obtenido de: https://doi.org/10.1155/2013/545613 |
dc.relation.references | Tieleman., T & Hinton., G. (2012). Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude. COURSERA: Neural Networks for Machine Learning, 4, 2012. |
dc.relation.references | Vaswani., A, Shazeer., N, Parmar., N, Uszkoreit., J, Jones., L, Gomez., A, Kaiser., L, & Polosukhin., I. (2017). Attention Is All You Need. 31st Conference on Neural Information Processing Systems (NIPS), Long Beach, CA, USA. Obtenido de: https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd0 53c1c4a845aa-Paper.pdf |
dc.relation.references | Visme. (2024). Editor de contenido e imágenes. Obtenido de: https://my.visme.co/editor |
dc.relation.references | Ye J., Gu J., Dash A., Deek F.P & Wang G.G. (2023). Prediction with Time-Series Mixer for the S&P500 Index. Obtenido de: DOI: 10.1109/ICDEW58674.2023.00008 |
dc.relation.references | Yu, N., Chen, J. (2022). Design of Machine Learning Algorithm for Tourism Demand Prediction. Obtenido de: DOI: 10.1155/2022/6352381 |
dc.relation.references | Zhou Q., Qu T., Han Y., Duan F & Zhou, Qibin. (2023). Deep Reinforcement Learning with Comprehensive Reward for Stock Trading. Obtenido de: DOI: 10.1007/978- 981-99-1648-1_44 |
dc.relation.references | Zhou., H, Zhang., S, Peng., J, Zhang., S, Li., J, Xiong., H, & Zhang., W. (2021). Informer: Beyond effcient transformer for long sequence timeseries forecasting. In AAAI, 2021. |
dc.relation.references | Zúñiga., Q. L. (2021). Desarrollo de un modelo predictivo para un sistema de manufactura orientado a la industria 4.0. Pontificia Universidad Javeriana de Colombia, Facultad de Ingeniería, Maestría en Ingeniería Industrial, Bogotá D.C. Obtenido de: https://repository.javeriana.edu.co/bitstream/handle/10554/55631/123-attachment 1627079269Lina%20Zu%C3%B1iga%20- %20Trabajo%20de%20Grado.pdf?sequence=4 |
dc.rights.accessrights | info:eu-repo/semantics/openAccess |
dc.subject.lemb | Inteligencia artificial - Procesamiento de datos |
dc.subject.lemb | Aprendizaje automático (Inteligencia artificial) |
dc.subject.lemb | Análisis de series de tiempo |
dc.subject.proposal | Inteligencia artificial |
dc.subject.proposal | Autoaprendizaje |
dc.subject.proposal | Pronósticos |
dc.subject.proposal | Desempeño |
dc.subject.proposal | Autoajuste |
dc.subject.proposal | Artificial intelligence |
dc.subject.proposal | Self-learning |
dc.subject.proposal | Forecasts |
dc.subject.proposal | Performance |
dc.subject.proposal | Self-adjustment |
dc.title.translated | Artificial intelligence and self-learning for enhancing predictive models : a case study with the S&P500 index |
dc.type.coar | http://purl.org/coar/resource_type/c_bdcc |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa |
dc.type.content | Text |
dc.type.redcol | http://purl.org/redcol/resource_type/TM |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 |
dcterms.audience.professionaldevelopment | Investigadores |
dc.description.curriculararea | Ingeniería De Sistemas E Informática.Sede Medellín |
Archivos en el documento
Este documento aparece en la(s) siguiente(s) colección(ones)
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.Este documento ha sido depositado por parte de el(los) autor(es) bajo la siguiente constancia de depósito