Buscar en Google Scholar
Registro completo de metadatos
García Rivera, Pedro Manuel
Quijano Huacachi, Mark Stanlyn
Crisostomo Mamani, David Jesus
2023-05-16T19:54:29Z
2023-05-16T19:54:29Z
2023-05-16T19:54:29Z
2023-05-16T19:54:29Z
2023-02-15
0000 0001 2196 144X (isni)
http://hdl.handle.net/10757/667740
Companies come to use computers and/or laptops for long periods of time depending on the work area, but it is not taken into account that the constant use of the equipment reduces its expected life time, causing the system to fail, slow down , overheating of the equipment, hardware or software problems among other variables that can cause long-term problems such as damage to data files, delays in the delivery times of urgent work or deliverables, and loss of daily user time due to delays slow. For the planning of the research questions, the most important points were defined, such as prediction techniques for the analysis of the collected data, problems that can affect the useful life of the equipment, prediction technologies for the prediction or collection of data. , the algorithms for the prediction of maintenance and the best option for the validation of the efficiency of the predictive model. The prediction techniques and models used for computer maintenance are mostly data mining and anomaly detection, technological models are also described and the use of data-based machine learning techniques is proposed to prioritize the extension of equipment life, in addition to highlighting algorithms and types of validation used in computer maintenance to predict failures and prolong the useful life of equipment. (es_PE)
Las empresas llegan a utilizar las computadoras y/o laptops por largos periodos de tiempo dependiendo del área laboral, pero no se tiene en cuenta que el uso constante de los equipos reduce su tiempo de vida esperado, ocasionando que llegue a fallar el sistema, ralentizarse, recalentarse el equipo, problemas en el hardware o software entre otras variables que pueden dar problemas a largo plazo como daño de los archivos de datos, retrasos con los tiempos de entrega de trabajos o entregables urgentes y perdida del tiempo diario de los usuarios por retrasos de lentitud. Para la planificación de las preguntas de investigación se definieron los puntos más importantes como las técnicas de predicción para el análisis de los datos recolectados, problemas que pueden afectar en la vida útil de los equipos, las tecnologías de predicción para la predicción o recolección de datos, los algoritmos para la predicción de los mantenimientos y la mejor opción para la validación de la eficiencia del modelo predictivo. Las técnicas de predicción y modelos utilizados para el mantenimiento de computadoras son en su mayoría de minería de datos y la detección de anomalías, se describen también los modelos tecnológicos y se propone el uso de técnicas de machine learning basadas en datos para priorizar la extensión de vida de los equipos, además de destacar algoritmos y tipos de validación utilizados en el mantenimiento de computadoras para predecir fallas y prolongar la vida útil de los equipos. (es_PE)
Trabajo de investigaciòn (es_PE)
application/pdf (es_PE)
application/msword (es_PE)
application/epub (es_PE)
spa (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
info:eu-repo/semantics/openAccess (es_PE)
Repositorio Académico - UPC (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC) (es_PE)
Naive bayes (es_PE)
Machine learning (es_PE)
Computer preventive maintenance. (es_PE)
Mantenimiento preventivo de computadoras (es_PE)
Supervised algorithms (es_PE)
Machine learning (es_PE)
Algoritmos supervisados (es_PE)
Naive bayes (es_PE)
Modelo predictivo para el mantenimiento preventivo de computadoras (es_PE)
Prevention Models for Preventive Maintenance of Computers (es_PE)
Trabajo de investigación (other)
info:eu-repo/semantics/bachelorThesis (es_PE)
Universidad Peruana de Ciencias Aplicadas (UPC). División de Estudios Profesionales para Ejecutivos (EPE) (es_PE)
Ingeniería de Sistemas (es_PE)
Bachiller (es_PE)
Ingeniero de sistemas (es_PE)
PE (es_PE)
https://purl.org/pe-repo/ocde/ford#2.02.04 (es_PE)
http://purl.org/pe-repo/ocde/ford#2.00.00 (es_PE)
https://purl.org/pe-repo/renati/level#bachiller (es_PE)
https://orcid.org/0000-0003-3298-4617 (es_PE)
70826483 (es_PE)
77481913 (es_PE)
612076 (es_PE)
http://purl.org/pe-repo/renati/type#trabajoDeInvestigacion (es_PE)
Privada societaria



IMPORTANTE
La información contenida en este registro es de entera responsabilidad de la universidad, institución o escuela de educación superior que administra el repositorio académico digital donde se encuentra el trabajo de investigación y/o proyecto, los cuales son conducentes a optar títulos profesionales y grados académicos. SUNEDU no se hace responsable por los contenidos accesibles a través del Registro Nacional de Trabajos de Investigación – RENATI.