3
0
Diego Richard Rivera  
Demanuel  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
Cleofe Huamani Huancara  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
chuamanihu@unsa.edu.pe  
driverad@unsa.edu.pe  
Yimy Alfredo Charca Ccama  
Universidad Nacional de San Agustín.  
Arequipa, Perú.  
ycharca@unsa.edu.pe  
ARK: ark:/42411/s8/a51  
PURL: 42411/s8/a51  
RECIBIDO 15/10/2021 ● ACEPTADO 27/11/2021 ● PUBLICADO 30/03/2022  
RESUMEN  
Tratamiento de datos para la calificación de vinos, este informe detalla el proceso seguido, en  
donde se utilizó el lenguaje de programación Phyton, para el análisis de los datos del dataset, se  
utilizó el servidor Google Colab para ejecutar los algoritmos en la nube ya que el equipo considero  
que la velocidad de análisis de datos en google colab es más rápido. Las redes neuronales tienen  
capacidad de aprender y realizar tareas basadas en un entrenamiento inicial llamado aprendizaje  
adaptativo y además de que son tolerantes a los fallos.  
Palabras claves: Redes neuronales, Tratamiento de datos, Datos masivos.  
ABSTRACT  
Treatment of data for the qualification of wines, this report details the process followed, where  
the Python programming language was used, for the analysis of the data of the dataset, the  
Google Colab server was used to execute the algorithms in the cloud since the team considered  
that the speed of data analysis in Google Collab is faster. Neural networks have the ability to  
learn and perform tasks based on an initial training called adaptive learning and are also fault-  
tolerant.  
Keywords: Neural networks, Data processing, Big data  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
3
1
INTRODUCIÓN  
Tratamiento de datos es un término utilizado cuando se trata de analizar datos en su mayoría  
masivos, existen muchos lenguajes de programación con librerías para el tratamiento de datos,  
y técnicas a utilizar, en este trabajo se presenta un informe sobre un sistema de calificación de  
vinos para una empresa productora de vino que desea un sistema informático que le permita  
calificar los vinos que esta produce, se consideró también de que los errores del sistema son  
mínimos considerando de que el porcentaje de errores es casi nula, en [13] recomienda el uso  
de la arquitectura de redes neuronales de la Inteligencia artificial donde se emplea el uso del  
lenguaje de programación Phyton y Jupyther Notebook como IDE. Se evaluaron los datos del  
Dataset proporcionado por el docente de la asignatura, el sistema permite al usuario poder definir  
una cantidad aleatoria de los casos del dataset para poder usarlos en el entrenamiento y definir  
otra cantidad aleatoria para poder utilizarlos en el entrenamiento, también se tomó en cuenta de  
que los casos utilizados en el entrenamiento no podrán ser utilizados en la validación del  
entrenamiento para luego mostrar las medidas de los errores.  
El desarrollo del sistema requiere análisis de datos masivos, donde es necesario transformar la  
dataset, seleccionar un lenguaje de programación y buscar las librerías que trabajan con las redes  
neuronales, así lo afirma [14].  
Materiales y métodos o Metodología computacional  
En este trabajo de investigación se utilizaron los datos de una empresa productora de vino, la  
dataset fue proporcionado por el docente del curso de Inteligencia Artificial, las principales  
herramientas son el lenguaje de programación Python con los respectivos paquetes y Jupyther  
notebook como IDE principal, se utilizó redes neuronales como metodología computacional,  
consiste en un conjunto de unidades a las que se le llaman neuronas artificiales que van  
conectadas entre sí para transmitir las señales. En [12] afirma que en esta metodología la  
información que se utiliza como entrada atraviesa la red neuronal para ser sometida a diversas  
operaciones que tienen como fin producir valores de salida es así que el Sistema Automático  
califica los vinos que la empresa produce.  
Adicionalmente a esto se utilizó Google Colab que es un entorno portátil de Jupyter que tiene un  
uso gratuito y se ejecuta completamente en la nube, una característica resaltante de Google  
Colab es que no requiere configuración y los miembros del equipo pueden editar simultáneamente  
los cuadernos que se crean, además admite muchas bibliotecas de aprendizaje automático  
populares que se pueden cargar fácilmente en su computadora portátil, Google Colab se utilizó  
para pruebas de entrenamiento, optimización de subparámetros y ejecuciones.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
3
2
Decidimos utilizar la plataforma de Google Colab porque consideramos que el análisis de datos  
nos tomaría más tiempo en nuestras computadoras personales.  
También se escogió la arquitectura del tipo Perceptrón Multicapa que evoluciona del perceptrón  
simple en donde incorpora capas de neuronas ocultas, con esto consigue representar funciones  
no lineales, además está compuesto por por una capa de entrada, una capa de salida y n capas  
ocultas entremedias. En [15] afirma que el perceptrón multicapa tiene salidas disjuntas pero  
relacionadas entre sí, de tal manera que la salida de una neurona es la entrada de la siguiente.  
Descripción general de la aplicación.  
Una empresa productora de vino desea hacer un sistema informático que le permita realizar la  
calificación de los vinos que esta produce. En dicho sistema desean utilizar inteligencia artificial  
para tal efecto. Para esto cuentan con una base de calificaciones históricas hechas por expertos  
con un total de 6 497 casos. Cada caso cuenta con los siguientes atributos: tipo de vino (blanco  
o tinto), nivel fijo de la acidez, nivel variable de la acidez, nivel de ácido cítrico, nivel de azúcar  
residual, cantidad de cloruros, nivel libre de dióxido de azufre, nivel de dióxido de azufre,  
densidad, pH, nivel de sulfatos, grado de alcohol y la calificación del vino (1 a 10).  
Se desea que el sistema sea capaz de calificar un vino en la escala de 1 a 10 dando los valores  
de los atributos antes mencionados. Para esta tarea utilice el 75% la base de calificaciones  
anteriores para entrenar el modelo y el 25% de lecturas restantes para comprobar el  
entrenamiento de forma aleatoria; tenga en cuenta que estos parámetros (el porciento de  
entrenamiento y el de validación del mismo) son suministrados por el usuario. El sistema puede  
equivocarse como máximo 1 vez entre 10000 veces y el tiempo con que se cuenta para dicho  
entrenamiento es ilimitado. También debe ser posible guardar el modelo una vez entrenado en  
un fichero y poder cargarlo en otro momento. El usuario podrá cargar el fichero donde se  
encuentran las calificaciones históricas, definir los parámetros del entrenamiento y visualizar el  
error una vez ya entrenado el modelo. También se le podrá suministrar un nuevo conjunto de  
atributos al modelo ya entrenado y este debe ser capaz de calificar el vino.  
Selección y justificación del modelo.  
Para la selección del modelo con cual se desarrolló el sistema, evaluamos los aspectos de los  
modelos aprendidos en clase, en donde resaltamos al modelo de redes neuronales como  
metodología computacional que consiste en un conjunto de unidades a las que se le llaman  
neuronas artificiales que van conectadas entre sí para transmitir las señales.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
3
3
En esta metodología la información que se utiliza como entrada atraviesa la red neuronal para  
ser sometida a diversas operaciones que tienen como fin producir valores de salida. En [12]  
menciona que las redes neuronales tienen capacidad de aprender y realizar tareas basadas en un  
entrenamiento inicial llamado aprendizaje adaptativo. De esta forma, la máquina puede aprender  
a llevar a cabo ciertas tareas mediante el entrenamiento. Las redes neuronales permiten  
organizar por sí mismas lo aprendido, mientras que el aprendizaje es la modificación de cada  
elemento procesado, la auto organización consiste en la modificación de la red neuronal completa  
para llevar a cabo un objetivo específico, [14] lo especifica.  
Además, las redes neuronales tienen la capacidad de ser tolerantes a fallos los primeros métodos  
computacionales con esta capacidad inherente fueron las redes neuronales con esta característica  
si se produce un fallo en un número no muy grande de neuronas, el sistema no sufre una caída  
repentina, aunque el comportamiento si se ve influenciado.  
Otra de las prioridades principales de las redes neuronales es que pueden operar en tiempo real,  
las redes neuronales trabajan mediante conexiones en paralelo, lo que permite grandes  
velocidades de transmisión y respuesta instantáneas. Por último, una de las ventajas que destaca  
es la facilidad de inserción en la tecnología existente.  
Lenguaje de Programación y herramientas  
Python  
Python es un lenguaje de programación interpretado cuya filosofía hace hincapié en la legibilidad  
de su código. Se trata de un lenguaje de programación multiparadigma, ya que soporta  
orientación a objetos, programación imperativa y, en menor medida, programación funcional.  
Python tiene una sintaxis sencilla que cuenta con una vasta biblioteca de herramientas, que  
hacen de Python un lenguaje de programación único, lo cual daría una enorme ventaja al  
desarrollador y hacen un aliado perfecto para la Inteligencia Artificial. [1]  
Permite plasmar ideas complejas con unas pocas líneas de código, lo que no es possible con otros  
lenguajes. Existen bibliotecas como «Keras» y «TensorFlow”, que contienen mucha información  
sobre las funcionalidades del aprendizaje automático.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
3
4
¿Por qué Phyton?  
Python es un lenguaje que todo el mundo debería conocer. En [16] menciona su sintaxis simple,  
clara y sencilla; el tipado dinámico, el gestor de memoria, la gran cantidad de librerías disponibles  
y la potencia del lenguaje y algunas características más hacen que desarrollar una aplicación en  
Python sea sencillo y muy.  
La sintaxis de Python es tan sencilla y cercana al lenguaje natural que los programas elaborados  
en Python parecen pseudocódigo. Por este motivo se dice que es uno de los mejores lenguajes  
para comenzar a programar. Algunos casos de éxito en el uso de Python son Google, Yahoo, la  
NASA, Industrias Light & Magic, y todas las distribuciones Linux, en las que Python cada vez  
representa un tanto por ciento mayor de los programas con disponibilidad.  
Anaconda  
Anaconda es una Suite de código abierto que abarca una serie de aplicaciones, librerías y  
conceptos diseñados para el desarrollo de la Ciencia de datos con Python. [7]  
Características:  
•
•
•
Anaconda Navigator es una interfaz gráfica de usuario GUI bastante sencilla, pero con un  
potencial enorme.  
Puede gestionar de manera avanzada paquetes relacionados a la Ciencia de datos con  
Python desde la terminal.  
Permite compilar Python en código de máquina para una ejecución rápida.  
Jupyter notebook  
Es una aplicación web de código abierto, desarrollada utilizando lenguaje HTML agnóstico que  
permite crear, compartir y editar documentos, en los que se puede ejecutar código python, hacer  
anotaciones, insertar ecuaciones, visualizar resultados y documentar funcionalidades. Entre sus  
usos están: la limpieza y transformación de datos, la simulación numérica, el modelado  
estadístico, el aprendizaje automático, etc. [11]  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
3
5
Librerías y framework  
Para el desarrollo de la aplicación se procedió a la instalación de librerías correspondientes a la  
herramienta elegida, el cual facilitará el tratamiento de los datos, y por ende el entrenamiento de  
este mismo.  
Keras  
En [17] nos dice que el mundo de las redes neuronales está en auge. El hecho de simular el  
cerebro humano en un ordenador, parece ser una de las tecnologías más prometedores de la  
informática, pero aún no se ha conseguido, aunque mediante algoritmos de machine learning, ya  
es posible entrenar máquinas para que aprendan de forma parecida a como lo haría nuestro  
cerebro.  
Keras es un framework de alto nivel para el aprendizaje, escrito en Python y capaz de correr  
sobre los frameworks TensorFlow, CNTK, o Theano. Fue desarrollado con el objeto de facilitar un  
proceso de experimentación rápida. [4]  
•
Para instalar Keras desde la terminal de anaconda, ejecutamos el siguiente comando,  
conda install keras”.  
“
Pandas  
En [19] no dice que Pandas es un paquete de Python que proporciona estructuras de datos  
rápidas, flexibles y expresivas diseñadas para hacer que el trabajo con datos "relacionales" o  
"etiquetados" sea fácil e intuitivo. Pretende ser el elemento fundamental de alto nivel para realizar  
análisis de datos prácticos y del mundo real en Python, además de que proporciona estructuras  
de datos similares a los dataframes de R. Pandas depende de Numpy, la librería que añade un  
potente tipo matricial a Python. Los principales tipos de datos que pueden representarse con  
pandas son:  
Datos tabulares con columnas de tipo heterogéneo con etiquetas en columnas y filas y Series  
temporales. [9]  
•
Para instalar Pandas desde la terminal de anaconda, ejecutamos el siguiente comando,  
conda install pandas”.  
“
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
3
6
Numpy  
NumPy es una extensión de Python, es de código abierto, que le agrega mayor soporte para  
vectores y matrices, constituyendo una biblioteca de funciones matemáticas de alto nivel para  
operar con esos vectores o matrices. [8]  
Es una biblioteca de Python para trabajar con arreglos multidimensionales lo que hace que el  
principal tipo de dato es el arreglo o array, también nos permite trabajar con la semántica de  
matrices y nos ofrece muchas funciones útiles para el procesamiento de números. [20]  
•
Para instalar Numpy desde la terminal de anaconda, ejecutamos el siguiente comando,  
conda install numpy”.  
“
Matplotlib  
Matplotlib es una biblioteca para la generación de gráficos a partir de datos contenidos en listas  
o arrays en el lenguaje de programación Python y su extensión matemática NumPy. Proporciona  
una API, pylab, diseñada para recordar a la de MATLAB.[10].  
Matplotlib.pyplot es una colección de funciones estilo comandos que hacen que matplotlib sea  
similar a matlab. Cada función de pyplot hace algunos cambios a la figura, funciones como crear  
figura, crear un área de impresión en una figura, imprimir líneas en el área de impresión, agregar  
etiquetas a las figuras, etc. [21]  
•
Para instalar Matplotlib desde la terminal de anaconda, ejecutamos el siguiente comando,  
conda install matplotlib”.  
“
Descripción de los procesos  
Para tener una red neuronal artificial que funcione según la aplicación que se desee, se debe  
realizar antes de nada un aprendizaje con unos patrones conocidos. Por lo que para utilizar una  
red neuronal artificial, el primer paso es el entrenamiento de la misma. En él, se presentan un  
conjunto de entradas y salidas conocidas, que se propagan a través de una red hasta poder  
obtener unas ciertas salidas (feedforward), para que después se puedan modificar los pesos y  
bias de manera que la salida coincida con la deseada (backpropagation).  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
3
7
El segundo paso trata de verificar la red mediante un conjunto de entradas y salidas también  
conocidas, y de la misma forma haciendo feedforward, pero sin necesidad de backpropagation,  
dado que en principio la red ya está entrenada correctamente. [2]  
Por lo que para completar estos pasos ya mencionados se deben de seguir una serie de procesos.  
Tratamiento de datos.  
El procesamiento de datos es parte fundamental de cualquier proceso de aprendizaje automático.  
En algunos casos, busca corregir deficiencias en los datos que puedan dañar el aprendizaje, como  
omisiones, ruido y valores extremos. En otros casos, se persigue adaptar los datos al modelo que  
se pretende entrenar para simplificar u optimizar el proceso. [3]  
En la dataset proporcionado, se tenían campos anómalos que a simple vista se podía ver, sin  
embargo, para el tratamiento de estos se tuvo que elegir diferentes métodos, de acuerdo a la  
herramienta elegida, dado que son más de 6000 datos. Por lo que se procedió a la transformación  
de estos.  
Transformación de datos  
Para este apartado se seguirá una secuencia de pasos:  
•
El primer paso que haremos será identificar las variables dependientes e independientes.  
Variables Dependientes:  
x_0: Tipo  
x_1: Acidez fija  
x_2: Acidez variable  
x_3: Ácido cítrico  
x_4: Azúcar residual  
x_5: Cloruros  
x_6: Dióxido de azufre libre  
x_7: Nivel de dióxido de azufre  
x_8: Densidad  
x_9: pH  
x_10: Sulfatos  
x_11: Grado de alcohol  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
3
8
Variables Independientes:  
y : Calidad  
•
El segundo paso que haremos es: identificar nuestros campos o variables categóricas y la  
existencia de valores outliers en dichos campos.  
En la dataset que se nos proporcionó, se identificó sólo un campo categórico, “Tipo”, por lo que  
se le aplicó el preprocesamiento, convertir variables categóricas en variables numéricas.  
También se identificaron 3 campos con valores outliers, “Densidad”, “Cloruros”, “Acidez variable”,  
por lo que de la misma forma se realizó el preprocesamiento.  
Para ver la distribución de valores de dichos campos, se generó un histograma de cada uno de  
ellos. Esto con la función hist(), después se generó el diagrama de caja y bigotes, esto para  
detectar los outliers.  
Figura 1. Histograma Densidad  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
3
9
Figura 2. Histograma Cloruros  
Figura 3. Histograma Acidez variable  
En la figura 1, 2 y 3; se puede observar una cantidad de datos atípicos.  
Para la identificación de outliers en la dataset, utilizamos el gráfico de caja y bigotes. el cual se  
formará con la función boxplot() del paquete matplotlib.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
4
0
Figura 4. Diagrama de Caja y Bigotes Densidad.  
Figura 5. Diagrama de Caja y Bigotes Cloruro.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
4
1
Figura 6. Diagrama de Caja y Bigotes Acidez variable.  
La identificación de los valores outliers se realizó de la siguiente manera:  
•
Se obtuvo los valores del primer cuartil, tercer cuartil, rango inter cuartil, y mediana, Todo  
esto para hallar los valores inferior y superior del bigote, y seguido de esto reemplazar los  
valores outliers, hallados.  
Figura 7. Obtención de valores.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
4
2
•
El siguiente paso, para hallar los valores inferior y superior del bigote  
Figura 8. Obtención de bigotes.  
•
Como paso final para el tratamiento de datos, procedemos a reemplazar los valores outliers  
con la mediana, de estos.  
Figura 9. Reemplazo outliers por mediana.  
Entrenamiento y Validación  
•
Procesamiento de Datos  
Figura 10. Implementación de librerías.  
Figura 11. Importación del dataset.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
4
3
Figura 12. Variables independientes.  
Figura 13. Variable dependiente.  
Figura 14. Aplicación de capas.  
Entrenamiento  
Para poder entrenar el modelo ya establecido se necesitó de 10000 iteraciones con las cuales se  
pudo llegar al resultado de una precisión del 81.75%.  
Figura 15. Entrenamiento.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
4
4
Validación  
Posteriormente se cargaron los datos de la dataset de prueba para poder evaluar nuestro modelo  
ya planteado con anterioridad.  
Figura 16. Validación.  
CONCLUSIONES  
•
•
Usualmente se usan redes neuronales para el tratamiento de datos.  
Las redes neuronales tienen la capacidad de ser tolerantes a fallos y son los primeros  
métodos computacionales con esta capacidad inherente.  
•
•
La evolución de la tecnología con redes neuronales busca asimilarse a un cerebro humano  
con funciones de aprendizaje y así poder analizar una vasta cantidad de datos mucho más  
rápido y minimizando errores.  
Los algoritmos para el análisis de datos definen el resultado de un análisis en donde se  
califican los errores con el fin de reducirlos y hacer más eficiente al sistema.  
REFERENCIAS  
[
[
1]Python.[Online]. Available: https://es.wikipedia.org/wiki/Python  
2]E. Lazarte, “Entrenamiento de una red neuronal hardware desde matlab (hardware in the  
loop),” Madrid, Febrero, 2017. Available:  
http://oa.upm.es/45516/1/TFG_EDUARDO_LASARTE_ZAPATA.pdf/.  
[
3]D. Peralta, A. Herrera, F. Herrera, “Un estudio sobre el preprocesamiento para Redes  
Neuronales  
Manuscritos,”September  
Profundas  
y
Aplicación  
2016  
sobre  
Reconocimiento  
[Online],  
de  
Dígitos  
Available:  
.
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
4
5
https://eusal.es/index.php/eusal/catalog/download/978-84-9012-632-5/5256/5486-  
?inline=1  
1
[
[
[
4]Keras.[Online].Available: https://keras.io/  
5]Tensorflow.[Online]. Available:https://www.tensorflow.org/  
6]Machine  
Learnig  
con  
tensorflow  
y
keras  
en  
python.[Online].  
Available:  
https://www.luisllamas.es/machinelearning-con-tensorflow-y-keras-en-python/  
[
[
[
7]Anaconda Distribution: La Suite más completa para la Ciencia de datos con  
Python.[Online]. Available: https://blog.desdelinux.net/ciencia-de-datos-con-python/  
8]Numpy.[Online].Available:  
HCC/3_NumPy.html  
https://damianavila.github.io/Python-Cientifico-  
9]Bioinformatics  
at  
COMAV.[Online].Available  
https://bioinf.comav.upv.es/courses/linux/python/pandas.html  
[
[
10] Matplotlib. [ Online].Available: https://es.wikipedia.org/wiki/Matplotlib.  
11] Jupyter notebook: documenta y ejecuta código desde el navegador.[Online].Avaliable  
https://blog.desdelinux.net/jupyter-notebook/  
[
12] D. Matich, “Redes Neuronales: Conceptos Básicos y Aplicaciones,” Universidad  
Tecnológica Nacional – Facultad Regional Rosario Departamento de Ingeniería Química -  
Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ), Mar. 2021. [Online]  
Disponible  
en:  
https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograi  
as/matich-redesneuronales.pdf  
[
13] J. Montaño, “Redes Neuronales Artificiales aplicadas al Análisis de Datos,” UNIVERSITAT  
DE LES ILLES BALEARS - Facultad de Psicología, 2002. [Online] Disponible  
en:https://www.tesisenred.net/bitstream/handle/10803/9441/tjjmm1de1.pdf?sequence  
=1  
[
14] A. Serrano, E. Soria, J. Martín, “Redes neuronales artificiales,” Escola Tecnica Superior  
de Enginyeria - Departament de Enginyeria Electronica, 2010, [Online] Disponible en:  
http://ocw.uv.es/ingenieria-y-arquitectura/1- 2/libro_ocw_libro_de_redes.pdf  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935  
4
6
[15] F. Lara, “Fundamentos de redes neuronales artificiales,” Laboratorio de cibernética  
aplicada,  
centro  
de  
instrumentos  
UNAM,  
[Online]  
Disponible  
en:  
http://conceptos.sociales.unam.mx/conceptos_final/598trabajo.pdf  
[16]  
R
Gonzales,  
“Phyton  
para  
todos,”  
[Online]  
Disponible  
en:  
http://www.utic.edu.py/citil/images/Manuales/Python_para_todos.pdf  
[17] C. Antona, “Herramientas modernas en redes neuronales: La librería Keras,” Universidad  
autónoma de Madrid, Ene. 2017, [Online] Disponible en:  
https://repositorio.uam.es/bitstream/handle/10486/677854/antona_cortes_carlos_tfg.  
pdf?sequence=1&isAll owed=y  
[18] D. Conde, “Inteligencia Artificial con Tensor Flow para la predicción de comportamientos,”  
Departamento de Ingeniería telemática – Escuela Técnica Superior de Ingeniería –  
Universidad en:  
de  
Sevilla,  
2018,  
[Online]  
Disponible  
https://pdfs.semanticscholar.org/bf01/10c9822592997a8ecef35bb3963e86276c54.pdf  
[
[
[
19]  
Rip  
Tutorial,  
“Aprendizaje  
pandas,”  
[Online]  
[Online]  
Disponible  
Disponible  
en:  
en:  
https://riptutorial.com/Download/pandas-es.pdf  
20]  
F.  
Batista,  
“Numpy  
+
Scipy”,  
http://www.taniquetil.com.ar/homedevel/presents/numsci.pdf  
21] J. Padilla, “Gráficas con la librería Matplotlib para Python,” [Online] Disponible en:  
http://jpadilla.docentes.upbbga.edu.co/Logica_y_Algoritmia/Graficas%20con%20la%2  
0
libreria%20Matplot lib%20para%20Python.pd  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 3 Nº 1 Marzo - Agosto 2022 ISSN Nº 2708-0935