[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-126026-es":3,"doc-seo-126026-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},126026,2336474466412,"Ezra","https://ap-avatar.wpscdn.com/davatar_155a257f0dc6eb9ab79c44ca47cae57d",24,"Tecnología","Algoritmo computacional para el análisis y toma de decisiones en datos de entradas de vehículos eléctricos - usando estrategias de machine learning","El proyecto aborda la transformación digital en organizaciones mediante la recopilación y aprovechamiento de datos para apoyar la toma de decisiones. Se enfoca en el contexto del cambio climático y las emisiones de CO2 en Colombia, proponiendo el uso de algoritmos de machine learning para predecir el aumento de matrículas de vehículos eléctricos con datos gubernamentales. El análisis descriptivo entre 2010 y 2022 identifica tendencias por variables clave y realiza modelización, validando un modelo de regresión con datos históricos y proyección de crecimiento continuo hacia los años siguientes.","ALGORITMO COMPUTACIONAL PARA EL ANÁLISIS Y TOMADE DECISIONES EN DATOS DE ENTRADAS DE VEHICULOS ELECTRICOS AL PAIS, UTILIZANDO  \nESTRATEGIAS DE MACHINE LEARNING  \nCorporación Universitaria Remington.  \nFACULTAD DE INGENIERIA  \nINGENIERIA DE SISTEMAS  \nEstudiante:  \nCARLOS ARTURO CASAS RAMIREZ.  \nTutor: Juan Carlos Briñez de León  \nOpción de Trabajo de grado Seminario-Diplomado.  \n2024.  \nDedicatoria  \nA mis amados padres, Carlos Casas e Irma Ramírez, quienes desde el principio me han inspirado y acompañado con su amor incondicional y sabios consejos, a mi querida esposa, Alejandra González, compañera de vida y confidente, quien ha sido mi apoyo en los momentos de dificultad. A mi adorada hija, Mariana Casas, quien ha sido y será mi inspiración y la razón para esforzarmecada día.  \nTabla de Contenido  \nResumen 4  \nMarco conceptual y contextual 6  \nPregunta problema, acercamiento datos, descripción variables 8  \nAproximaciones con gráficos 9  \nObjetivos 12  \nDesarrollo e implementación del aprendizaje 13  \nProcesamiento de datos 13  \nCarga de datos 1.1.1 13  \nExtracción de las variables de dataset 1.1.2 14  \nCorrección de formato 1.1.3 15  \nModelo de toma de decisiones 16  \nModelo de regresión 1.1.1 16  \nFiltrando datos 1.1.2 17  \nImplementación en contextos reales 18  \nCreando nuevo dataset 1.1.1 18  \nLeyendo el dataset con phyton 1.1.2 18  \nAjustando los datos a matriz numérica 1.1.3 18  \nImportando la librería de (KNN) 1.1.4 19  \nEjecutando el modelo (KNN) 1.1.5 19  \nConclusiones 20  \nReferencias 21  \nResumen  \nEste proyecto aborda la transformación digital en las organizaciones y su impacto en larecopilación de datos, destacando el problema del cambio climático y las emisiones de CO2 en Colombia.  \nSe plantea el uso de algoritmos de machine learning para predecir el aumento de matrículas de vehículos eléctricos en Colombia, utilizando datos del gobierno. Se describen diferentes tipos de aprendizaje automático y se establecen objetivos para implementar un algoritmode machine learning.  \nEl análisis visual de datos revela tendencias en las matrículas de vehículos eléctricos, y sedetalla el proceso de desarrollo e implementación del aprendizaje automático, incluyendo la modelización de regresión y la aplicación en situaciones reales, con resultados adicionales sobre la predicción del crecimiento de matrículas de vehículos eléctricos en el país.  \nAnálisis de datos:  \n􀁸 Se utilizó un análisis descriptivo de los datos de matrículas de vehículos eléctricos entre 2010 y 2022, incluyendo variables como combustible, estado, fecha de registro, año de registro, clase, departamento y cantidad.  \n􀁸 Se encontró una tendencia positiva en el crecimiento de las matrículas, con algunosaltibajos.  \n􀁸 Bogotá D.C., Antioquia y Valle del Cauca concentran la mayor cantidad devehículos eléctricos, mientras que Amazonas, Guainía y Vaupés tienen la menor cantidad  \n􀁸 Las motocicletas son el tipo de vehículo eléctrico más popular, con un 78.5% del total de matrículas en 2022. Le siguen los automóviles (14.2%), los cuatriciclos (3.9%) y los buses y camiones (3.4%) .  \nModelo de predicción:  \n􀁸 Se implementó un modelo de regresión para predecir el crecimiento de las matrículas de vehículos eléctricos.  \n􀁸 El modelo se entrenó con datos históricos entre 2010 y 2021 y se validó con datos de 2022.  \n􀁸 El modelo predice un crecimiento continuo en las matrículas de vehículos eléctricosen los próximos años.  \nAportes:  \n􀁸 El estudio proporciona información valiosa sobre el estado actual de la movilidadeléctrica en Colombia.  \n􀁸 El modelo de predicción puede ser útil para la toma de decisiones por parte del gobierno, las empresas y los consumidores.  \n􀁸 El estudio abre la puerta a futuras investigaciones sobre la movilidad eléctrica en Colombia.  \nPalabras clave  \nVehiculos eléctricos, Datasets, Análisis de datos, Machine learning, Clasificación, regresión, Phyton.  \nMarco conceptual y contextual  \nEn las organizaciones, los procesos de transformación digital h","cbCaidvZTUARohe1","https://ap.wps.com/l/cbCaidvZTUARohe1","pdf",679862,2,1,21,"Spanish","es",110,"# Resumen\n# Marco conceptual y contextual\n## Pregunta problema y acercamiento a los datos\n## Objetivos\n# Desarrollo e implementación del aprendizaje\n## Procesamiento de datos\n### Carga de datos\n### Extracción de variables de dataset\n### Corrección de formato\n### Modelo de toma de decisiones\n### Modelo de regresión\n### Filtrado de datos\n## Implementación en contextos reales\n### Creación de nuevo dataset\n### Lectura del dataset con Phyton\n### Ajuste a matriz numérica\n### Importación de librería KNN\n### Ejecución del modelo KNN\n# Conclusiones\n# Referencias","[{\"question\":\"Qué problema aborda el proyecto sobre movilidad eléctrica en Colombia?\",\"answer\":\"El proyecto se centra en predecir el aumento de matrículas de vehículos eléctricos en Colombia, relacionándolo con el cambio climático y la necesidad de reducir emisiones de CO2.\"},{\"question\":\"Qué datos y variables se usaron para el análisis descriptivo?\",\"answer\":\"Se analizaron matrículas de vehículos eléctricos entre 2010 y 2022, considerando variables como combustible, estado, fecha y año de registro, clase, departamento y cantidad.\"},{\"question\":\"Cómo se construyó y validó el modelo de predicción?\",\"answer\":\"Se implementó un modelo de regresión entrenado con datos históricos entre 2010 y 2021, validado con datos de 2022, para proyectar un crecimiento continuo en los próximos años.\"}]","Algoritmo computacional para el análisis y toma de decisiones en datos de entradas de vehículos eléctricos - usando estrategias de machine learning | PDF",1785902621,32,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"computational-algorithm-for-analyzing-and-decision-making-with-input-data-from-electric-vehicles-using-machine-learning-strategies","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/es/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/es/document/tecnología/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/computational-algorithm-for-analyzing-and-decision-making-with-input-data-from-electric-vehicles-using-machine-learning-strategies/126026/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Qué problema aborda el proyecto sobre movilidad eléctrica en Colombia?","Question",{"text":76,"@type":77},"El proyecto se centra en predecir el aumento de matrículas de vehículos eléctricos en Colombia, relacionándolo con el cambio climático y la necesidad de reducir emisiones de CO2.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué datos y variables se usaron para el análisis descriptivo?",{"text":81,"@type":77},"Se analizaron matrículas de vehículos eléctricos entre 2010 y 2022, considerando variables como combustible, estado, fecha y año de registro, clase, departamento y cantidad.",{"name":83,"@type":74,"acceptedAnswer":84},"Cómo se construyó y validó el modelo de predicción?",{"text":85,"@type":77},"Se implementó un modelo de regresión entrenado con datos históricos entre 2010 y 2021, validado con datos de 2022, para proyectar un crecimiento continuo en los próximos años.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,119,123,127,131],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":112,"doc_module":4,"doc_module_name":47,"category_name":113,"show_sort_weight":97,"slug":114},41,"Investigación e Informes","research-report",{"id":116,"doc_module":4,"doc_module_name":47,"category_name":117,"show_sort_weight":97,"slug":118},37,"Literatura","literature",{"id":120,"doc_module":4,"doc_module_name":47,"category_name":121,"show_sort_weight":97,"slug":122},22,"Relatos y Novelas","story-novel",{"id":124,"doc_module":4,"doc_module_name":47,"category_name":125,"show_sort_weight":97,"slug":126},42,"Religión y Espiritualidad","religion-spirituality",{"id":128,"doc_module":4,"doc_module_name":47,"category_name":129,"show_sort_weight":97,"slug":130},40,"Salud y Atención Médica","healthcare",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":132},"technology"]