http://dspace.utpl.edu.ec/handle/29.500.19856/70788 2026-06-09T06:32:53Z http://dspace.utpl.edu.ec/handle/29.500.19856/82366 Title: Scoring de fraude en transacciones monetarias con Machine Learning Authors: Montesdeoca Calispa, Alvaro Esteban Abstract: Abstract: Fraud in monetary transactions represents millions in losses for financial institutions and undermines user confidence in digital systems. This work develops a fraud scoring model using Machine Learning algorithms to detect fraudulent transactions in real-time. Four algorithms were implemented and compared: Random Forest, XGBoost, and Neural Networks, using a dataset of 590,540 transactions with extreme class imbalance. The SMOTE technique proved most effective for handling this imbalance. XGBoost emerged as the superior model, significantly outperforming traditional rule-based methods. Interpretability was implemented through SHAP enabling explanation of model decisions a fundamental aspect in regulated financial contexts. The proposed system generates risk scores with differentiated thresholds for automatic approval, additional verification or blocking. Results demonstrate that it is feasible to implement artificial intelligence-based fraud detection systems that balance effectiveness. Description: Resumen: El fraude en transacciones monetarias representa pérdidas millonarias para instituciones financieras y afecta la confianza de usuarios en sistemas digitales. Este trabajo desarrolla un modelo de scoring de fraude utilizando algoritmos de Machine Learning para detectar transacciones fraudulentas en tiempo real. Se implementaron y compararon tres algoritmos: Random Forest, XGBoost y Redes Neuronales, utilizando un dataset de 590,540 transacciones con desbalanceo extremo entre clases. La técnica SMOTE demostró ser la más efectiva para manejar este desbalanceo. XGBoost emergió como el modelo superior, superando significativamente métodos tradicionales basados en reglas. Se implementó interpretabilidad mediante SHAP permitiendo explicar decisiones del modelo y aspecto fundamental en contextos financieros regulados. El sistema propuesto genera scores de riesgo con umbrales diferenciados para decisión automática, verificación adicional o bloqueo. Los resultados demuestran que es factible implementar sistemas de detección de fraude basados en inteligencia artificial que balancean efectividad. 2026-01-01T00:00:00Z http://dspace.utpl.edu.ec/handle/29.500.19856/82303 Title: Entrenamiento de un modelo de lenguaje de gran tamaño para el análisis de casos jurídicos desde el enfoque positivista del derecho Authors: Rosero Vinueza, Damián de Paul Abstract: Abstract: This thesis addresses the complete development cycle of a large-scale language model that enables the automatic analysis of legal cases from the perspective of judicial reasoning, limited to criminal judgments issued by first-instance judges of the Ecuadorian Judiciary, from a positivist approach to law. The current Constitution of the Republic of Ecuador establishes the constitutional guarantee of reasoned decisions in Article 76, paragraph 7, subparagraph l), which requires that all resolutions issued by jurisdictional bodies contain a verifiable logical and normative justification. To implement this principle, the legal argumentation methodology developed by Manuel Atienza was adopted, which breaks down judicial reasoning into seven structural components. The Mistral-7B-Instruct-v0.3 model was trained using the QLoRA fine-tuning technique, generating a dataset of 152 synthetically annotated criminal judgments, complemented by a RAG system with supplementary documentation that yielded 14,338 normative fragments. The creation of the AI Judicial Auditor prototype was deployed in HuggingFace Spaces, achieving an average Atienza F1-Score of 0.928, with a synthetic expert evaluation of 92.2/100. This evaluation was generated using large commercial AI models, Gemini 3 Pro and ChatGPT 5.1, resulting in a high level of confidence in the assessments performed. Description: Resumen: El presente trabajo de titulación aborda el ciclo completo del desarrollo de un modelo de lenguaje de gran tamaño que permite el análisis automático de casos jurídicos desde la perspectiva de la motivación judicial, acotado a las sentencias penales emitidas por los jueces de primera instancia de la Función Judicial del Ecuador, desde el enfoque positivista del derecho. La Constitución de la República del Ecuador vigente, establece la garantía constitucional de motivación, en el artículo 76, numeral 7, literal l), en donde se exige que toda resolución emitida por los órganos jurisdiccionales contengan una fundamentación lógica y normativa verificable. Para poner en práctica este principio, se adoptó la metodología de argumentación jurídica desarrollada por Manuel Atienza, que descompone el razonamiento judicial en siete componentes estructurales. Se realizó el entrenamiento del modelo Mistral-7B-Instruct-v0.3 mediante la técnica de ajuste fino QLoRA , generando un conjunto de datos de 152 sentencias penales anotadas en forma sintética, complementado con un sistema RAG con documentación complementaria que alcanzó 14,338 fragmentos normativos. La creación del prototipo Auditor Judicial IA , fue desplegado en HuggingFace Spaces, alcanzando un F1-Score Atienza promedio de 0.928, con una evaluación experta sintética de 92.2/100, generada mediante el uso de modelos de IA comerciales de gran tamaño Gemini 3 Pro y ChatGPT 5.1, resultando en un nivel de confianza alto en las evaluaciones efectuadas. 2026-01-01T00:00:00Z http://dspace.utpl.edu.ec/handle/29.500.19856/82258 Title: Predicción de precipitaciones extremas mediante aprendizaje supervisado en regiones específicas Authors: Cueva Peñaranda, Marlon Ricardo Abstract: Abstract: Currently, global climate change, a result of pollution, has intensified extreme weather events, especially extreme rainfall, which can trigger floods, landslides, and other environmental emergencies. This problem represents a growing challenge for authorities. Early prediction of extreme rainfall is essential to reduce the negative effects of these events on the population and the environment. This research proposes the use of the KDD methodology to predict extreme rainfall using Supervised Learning algorithms. A review of related work will be conducted to define variables, better models, and metrics used for this specific problem, experimenting with historical climate datasets from the main meteorological APIs. The results are compared using. Description: Resumen: La contaminación ha provocado en el presente un cambio climático mundial, que ha agudizado los fenómenos meteorológicos extremos, sobre todo las lluvias extremas. Estos pueden dar lugar a desastres ambientales, como deslaves e inundaciones. Las autoridades enfrentan cada vez más este problema. Para disminuir el impacto negativo que tienen las precipitaciones extremas sobre la población y el medio ambiente, es crucial pronosticarlas con antelación. En este trabajo de investigación se propone el uso de la metodología KDD para predecir las precipitaciones extremas utilizando algoritmos de Aprendizaje Supervisado. Se efectuará una revisión de trabajos relacionados para definir variables, mejores modelos y métricas utilizadas para esta problemática en específico, experimentando con conjuntos de datos históricos climáticos de las principales API meteorológicas. Los resultados se comparan mediante. 2026-01-01T00:00:00Z http://dspace.utpl.edu.ec/handle/29.500.19856/82236 Title: Evaluación de modelos de redes neuronales sobre imágenes termográficas para la detección del cáncer de mama Authors: Luna Díaz, Julio César Abstract: Abstract: Breast cancer represents one of the leading public health challenges worldwide, being the most commonly diagnosed cancer among women with approximately 2.3 million new cases reported in 2020; however, access to early detection methods such as mammography remains limited in many regions due to economic and geographic barriers. This research evaluates convolutional neural network models on thermographic images for the early detection of breast cancer, using the public DMR-IR dataset (272 images). The methodology combines transfer learning techniques through feature extraction with pretrained architectures (EfficientNet-B0 and ResNet50) and Support Vector Machine (SVM) classifiers. The ResNet50 + SVM model achieved an AUC-ROC of 0.9894, indicating a discriminative capacity very close to that of a perfect classifier, along with a precision of 92.31% and a specificity of 96.30% and an accuracy of 92.68%. Additionally, a prototype with a graphical user interface was developed, enabling the practical implementation of the system as a computer-aided diagnosis tool. Description: Resumen: El cáncer de mama representa uno de los principales desafíos de salud pública a nivel mundial, siendo el tipo de cáncer más diagnosticado entre las mujeres con aproximadamente 2,3 millones de casos nuevos reportados en 2020; sin embargo, el acceso a métodos de detección temprana como la mamografía sigue siendo limitado en muchas regiones debido a barreras económicas y geográficas. Esta investigación evalúa modelos de red neuronal convolucional en imágenes termográficas para la detección temprana del cáncer de mama, usando el conjunto de datos público DMR-IR (272 imágenes). La metodología combina las técnicas de transfer learning mediante la extracción de características con arquitecturas preentrenadas (EfficientNet-B0 y ResNet50) y clasificadores de Máquinas de Vectores de Soporte (SVM). El modelo de ResNet50 + SVM obtuvo un AUC-ROC de 0.9894, indicando una capacidad discriminativa muy cercana a la de un clasificador perfecto, además de una precisión del 92,31% y especificidad del 96,30% y una exactitud del 92,68%. De igual forma, se desarrolló un prototipo con interfaz gráfica que permite la implementación práctica del sistema como herramienta de ayuda al diagnóstico médico. 2026-01-01T00:00:00Z