Machine learning para la gestión de activos: predicción de vida útil en equipos tecnológicos educativos

Abstract

Este estudio utiliza técnicas de Machine Learning para predecir la vida útil de los activos de la Universidad Jorge Tadeo Lozano utilizados para la enseñanza. Se analizó un conjunto de datos que incluye varias características de los activos, como el costo, la fecha de adquisición, y la vida útil estimada. Se aplicaron varios métodos, incluyendo agrupamiento K-Means, Análisis de Componentes Principales (PCA), Regresión Lineal, Random Forest y Support Vector Regression, para identificar patrones y predecir la vida útil de los activos. Los resultados indican que hay diferencias significativas en la vida útil de los activos entre los diferentes clusters identificados. Además, se encontró que los modelos de regresión pueden predecir con precisión la vida útil de los activos. Estos hallazgos tienen implicaciones importantes para la gestión de los activos universitarios y proporcionan una base para futuras investigaciones en este campo.