Facultad Regional Resistencia
Permanent URI for this communityhttp://48.217.138.120/handle/20.500.12272/106
Browse
13 results
Search Results
Item Baseline text for proposed new work item to develop a technical report of intelligent anomaly detection system for IoT(INTERNATIONAL TELECOMMUNICATION UNION TELECOMMUNICATION STANDARDIZATION SECTOR, 2020-07-07) Bolatti, Diego; Karanik, Marcelo; Scappini, Reinaldo; Todt, CarolinaThis document presents an update of the technical report on Intelligent Anomaly Detection System for IoT (Y.STR-IADIoT) and seeks agreement that it be the basis of future work.Item Modelo para expansión de consultas basado en información desestructurada(2021-10-13) Montiel, Raúl; Karanik, Marcelo; Costilla, Patricio; Zimmermann, Federico; Enrique, Gerardo; Minoli, MarianoHoy día la obtención de resultados útiles en el proceso de búsqueda en Internet no es una tarea trivial. Esto se debe en parte porque la inmensa cantidad de información disponible puede ocultar resultados valiosos si no se usan los términos adecuados en la consulta. En este contexto, la expansión de consultas es un mecanismo que permite mejorar la calidad de los resultados. Tanto la utilización de una fuente fiable de datos como de la estrategia para seleccionar los nuevos termino son aspectos clave en el proceso de expansión. En este artículo se describe un modelo de expansión de consultas no supervisado basado en Wikipedia. Para la obtención de términos se utiliza modelado de tópicos y grafos de conocimiento.Item Gestión del conocimiento en microempresas regionales : un modelo basado en TIC(2021-10-13) Roa, Jorge; Karanik, MarceloDebido a los constantes cambios tecnológicos, la gestión del conocimiento juega un rol cada vez más importante en las organizaciones. En este contexto, las micro, pequeñas y medianas empresas (MiPyMEs) son las que menos herramientas tienen para realizar una gestión eficiente del conocimiento que las ayude a reconvertir sus procesos productivos. En este artículo se presenta un modelo que utiliza las Tecnologías de la Información y las Comunicaciones como Soporte para la toma de Decisiones Estratégicas en las MiPyMEs. Además, se presentan una serie de resultados obtenidos con la aplicación del modelo en el ámbito del Cluster del Té de Misiones (Argentina).Item Sistema inteligente de detección de anomalías para IoT(2021-04-15) Bolatti, Diego; Karanik, Marcelo; Todt, Carolina; Scappini, Reinaldo; Gramajo, SergioEn los últimos años, con el avance de Internet de las Cosas (IoT), ha aumentado la cantidad de dispositivos conectados a la red y, consecuentemente, el incremento de los riesgos de violaciones de seguridad y ataques maliciosos. Estadísticamente la mayoría de estos ataques se producen en los dispositivos finales de IoT y existen múltiples alternativas detectarlos. En ese contexto, este proyecto tiene como objetivo el diseño de un Sistema Inteligente de Detección de Anomalías para IoT que utilice técnicas de Machine Learning (ML). Específicamente, el proyecto abarca el diseño y desarrollo de un sistema capaz de detectar ataques de seguridad en base a anomalías en los dispositivos finales de IoT, aplicando técnicas de aprendizaje automático que provean el mecanismo adecuado para dicha detección.Item Intelligent anomaly detection system for IoT(2021-05-22) Bolatti, Diego; Karanik, Marcelo; Todt, Carolina; Scappini, Reinaldo; Gramajo, SergioThe growing use of the Internet of Things (IoT) in different areas implies a proportional growth in threats and attacks on end devices. To solve this problem, the IoT systems must be equipped with an anomaly detection system (ADS). This work introduces the design of a hybrid ADS based on the Software-Defined Network (SDN) architecture, which combines the rule-based and Machine Learning-based detection technique. Whereas the rule-based approach is used to detect known attacks with the help of rules defined by security experts. And the Machine Learning approach is used to detect unknown attacks with the help of Artificial Intelligence techniquesItem Academic performance profiles : an intelligent predictive model based on data mining(2018-12-01) La Red Martínez, David Luis; Giovannini, Mirtha; Karanik, MarceloIt is well known that academic achievement is one of the key aspects in the development of educational activities and it strongly determines the chances of success during and after a university career. It is therefore important to try and effectively monitor students’ performance in order to prevent problems from emerging, as well as, to be able to provide academic coaching when the performance is not adequate. The aforementioned problem-anticipation possibility is closely related to the ability to predict the most probable situation based on concrete information. In an academic achievement framework, it is desirable to be able to predict students’ performance considering concrete individual parameters. This work outlines the results obtained by an academicachievement prediction model based on data mining algorithms which uses socioeconomic information as well as, students’ grades. The tests were carried out at National Technological University, Resistencia Regional Faculty (UTN-FRRe), during the AED-Algoritmos y Estructuras de Datos (Algorithms and Data Structures) class throughout the 2013, 2014, 2015 and 2016 terms. The results obtained confirmed adequate behaviour of the model which has been validated for both description and prediction of academic achievement profiles.Item Descubrimiento de perfiles de rendimiento estudiantil : un modelo de integración de datos académicos y socioeconómicos(2016-10-01) La Red Martínez, David Luis; Karanik, Marcelo; Giovannini, Mirtha; Báez, María Eugenia; Torre, JulianaUno de los mayores problemas que enfrentan las universidades en Argentina, y que cada día toma mayor relevancia, es la alta tasa de deserción estudiantil, la cual se ve reflejada en el número de graduados, que en algunos casos no llega a la mitad de estudiantes. Para encontrar una solución a esta problemática se plantea la necesidad de estudiar sus causas, para lo cual se busca encontrar patrones entre las características de los estudiantes, y definir así perfiles que conduzcan al éxito o fracaso académico. Fundado en esto, este trabajo describe un modelo basado en técnicas de Data Mining para determinar los perfiles de rendimiento académico en la asignatura Algoritmos y Estructura de Datos de la carrera Ingeniería en Sistemas de Información de la Universidad Tecnológica Nacional Facultad Regional Resistencia (UTN-FRRe). Empleando los datos de los alumnos que cursaron la antedicha asignatura en el ciclo lectivo 2014, se procuró determinar en qué medida el desigual desempeño de los mismos es influenciado por otras variables de interés tales como los factores económicos, demográficos, sociales y culturales. En función a estas variables y a partir de técnicas de clasificación y determinación de patrones, se crearon perfiles de rendimiento académico con el objetivo principal de utilizar aquellos tendientes alfracaso o deserción como base a la determinación de futuras políticas de gestión académica que podrían implementarsepara reducir dicho fenómeno.Item Hacia un modelo predictivo de rendimiento académico utilizando minería de datos en la UTN-FRRe(2016-04-14) La Red Martínez, David Luis; Karanik, Marcelo; Giovannini, Mirta Eve; Scappini, ReinaldoDurante el cursado de la carrera de Ingeniería en Sistemas de Información en la Facultad Regional Resistencia de la Universidad Tecnológica Nacional (UTN‐FRRe), el alumno se enfrenta con la necesidad de cursar y regularizar ciertas materias que le generan restricciones de correlatividad. Ese es el caso de la cátedra de primer año Algoritmos y Estructuras de Datos, cuya regularización es necesaria para cursar varias asignaturas de segundo y tercer año. Tomando como base los resultados del proyecto “Determinación de perfiles de estudiantes y de rendimiento académico mediante la utilización de minería de datos”, 25/L059 ‐ UTI1719, implementado en la mencionada cátedra (2013‐2015), se está comenzando un nuevo proyecto tiene como objetivo tomar como punto de partida el análisis descriptivo (lo que pasó), y utilizar la analítica avanzada, con el objetivo de explicar el por qué, el qué va a pasar y cómo podemos abordarlo. Para el estudio se utilizarán distintas herramientas de Minería de Datos: clustering, redes neuronales, redes bayesianas, árboles de decisión, regresión y series temporales, etc. Estas herramientas permiten obtener resultados desde distintas perspectivas del problema abordado. De esta manera se podrán detectar situaciones problemáticas potenciales al inicio del cursado y tomar las medidas necesarias para solucionarlas.Item Towards to a predictive model of academic performance using data mining in the UTN-FRRe(2016-05-02) La Red Martínez, David Luis; Karanik, Marcelo; Giovaninni, Mirta Eve; Scappini, ReinaldoStudents completing the courses required to become an Engineer in Information Systems in the Resistencia Regional Faculty, National Technological University, Argentine (UTN-FRRe), face the challenge of attending classes and fulfilling course regularization requirements, often for correlative courses. Such is the case of freshmen's course Algorithms and Data Structures: it must be regularized in order to be able to attend several second and third year courses. Based on the results of the project entitled “Profiling of students and academic performance through the use of data mining”, 25/L059 - UTI1719, implemented in the aforementioned course (in 2013-2015), a new project has started, aimed to take the descriptive analysis (what happened) as a starting point, and use advanced analytics, trying to explain the why, the what will happen, and how we can address it. Different data mining tools will be used for the study: clustering, neural networks, Bayesian networks, decision trees, regression and time series, etc. These tools allow differentItem Determinación de perfiles de rendimiento académico utilizando minería de datos en la UTN-FRRe(2015-04-16) La Red Martínez, David Luis; Karanik, Marcelo; Giovaninni, Mirta Eve; Pinto, NoeliaEste proyecto analiza el rendimiento académico de los alumnos de la Cátedra Algoritmos y Estructuras de Datos de la Carrera Ingeniería en Sistemas de Información de la Facultad Regional Resistencia de la Universidad Tecnológica Nacional. La idea principal es la utilización de técnicas de manejo de Almacenes de Datos y Minería de Datos para establecer los aspectos sociales, familiares y de antecedentes académicos que son comunes a los distintos perfiles de rendimiento en dicha Cátedra. Para ello se ha trabajado con los alumnos utilizando encuestas que recopilan la información general necesaria, asociándola con el desempeño en los exámenes parciales. Con este trabajo se pretende obtener modelos no solamente descriptivos y explicativos, sino también modelos predictivos que permitan abordar la problemática de la deserción de los alumnos de manera temprana.