Ciclo de vida completo de Machine Learning aplicado a la predicción energética en instituciones educativas públicas de Medellín
Implementación rigurosa del proceso CRISP-DM adaptado para el análisis predictivo energético
Análisis del contexto energético educativo en Medellín, identificación de necesidades y definición de objetivos SMART.
Recolección y análisis exploratorio de datos históricos de consumo energético y variables asociadas (2018-2024).
Limpieza, transformación y feature engineering para optimizar la calidad de los datos para el modelado.
Implementación y entrenamiento de múltiples algoritmos de ML para comparar rendimiento y precisión.
Validación cruzada y análisis de métricas de rendimiento para seleccionar el mejor modelo.
Implementación del modelo en producción y desarrollo de sistema de predicción en tiempo real.
Conjunto completo de variables analizadas para la predicción del consumo energético
Medición en kWh de la energía eléctrica consumida por institución educativa en un período mensual (2018-2024)
Implementación de algoritmos supervisados y no supervisados para análisis comprehensivo
Modelo baseline para comparación de rendimiento
Modelo interpretable con capacidad de captura no lineal
Modelo con kernel RBF para relaciones complejas
Ensamble de árboles para mayor robustez
Segmentación de instituciones por patrones de consumo
Reducción de dimensionalidad y análisis de varianza
Detección de outliers y patrones anómalos
Evaluación comprehensiva del rendimiento de los modelos implementados