Modelos de aprendizaje supervisado como apoyo a la toma de decisiones en las organizaciones basados en datos de redes sociales: Una revisión sistemática de la literatura.

• Autores: Barrientos Mogollon, Estrella Sarit, Mamani Mamani, Sol Abigail
• Formato: tesis de grado
• Fecha de Publicación: 2019
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/2544
• Enlace del recurso: http://repositorio.upeu.edu.pe/handle/20.500.12840/2544
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje supervisado; Redes sociales; Toma de decisiones; https://purl.org/pe-repo/ocde/ford#2.11.02

Las redes sociales se han convertido en la herramienta de comunicación e interacción más utilizada entre las personas y se han diversificado para cumplir funciones importantes dentro de la organización. En consecuencia, las redes sociales se han vuelto una fuente inmensa de datos que son procesados a través de modelos de aprendizaje supervisado para producir información que sea competente para la toma de decisiones como la predicción de campañas electorales, la predicción de consumo de un producto y/o servicio, la reputación de una empresa entre otros. De manera que el presente estudio tiene como objetivo identificar los modelos de aprendizaje supervisado como apoyo a la toma de decisiones en las organizaciones basados en datos de redes sociales. Para la identificación de modelos de aprendizaje supervisado se realizó una revisión sistemática de la literatura(RSL) en bases de datos reconocidas y revistas indexadas. De un total de 1614 artículos se identificaron 32 artículos que hacen referencia a 6 modelos de aprendizaje supervisado y las funciones que cumplen como apoyo a la toma de decisiones en una organización. Se puede concluir que existen diversos modelos de aprendizaje supervisado siendo el de Support Vector Machine de mayor grado de precisión. También se han encontrado en las investigaciones modelos de: Naive Bayes, Decision Tree, Regression: Logistic y lineal, k-Nearest Neighbors, y finalmente Neural Network.