Clasificación de imágenes con redes neuronales mejora el comportamiento del consumidor en estudiantes universitarios
DOI:
https://doi.org/10.5281/zenodo.17027126Palabras clave:
redes neuronales, clasificador de imágenes, machine learningResumen
El estudio tuvo el objetivo de determinar de qué manera el clasificador de imágenes con redes neuronales (RN) mejora el comportamiento del consumidor en estudiantes universitarios. Se planteó una investigación de tipo aplicado, con un diseño preexperimental y nivel explicativo. Se recolectaron y procesaron datos mediante técnicas no participativas, analizando la interacción digital de estudiantes universitarios. Los datos fueron limpiados y organizados para su análisis, en el que se aplicaron técnicas de Machine Learning. El uso de TensorFlow y TensorFlow Datasets simplificó el preprocesamiento y entrenamiento del modelo, asegurando un flujo eficiente y un desempeño optimizado mediante la normalización de imágenes y la configuración de lotes de datos. El modelo empleó visualizaciones detalladas con indicadores claros para analizar su rendimiento, destacando aciertos y errores, lo que facilitó su interpretación y ajuste. El modelo preentrenado VGG16, ajustado en 15 épocas, alcanzó una precisión de validación del 97.4 %, evidenciando su alta eficacia en datos no vistos. Los resultados destacan el impacto transformador de las CNNs en la clasificación de productos, mejorando la experiencia del usuario y optimizando la satisfacción y percepción del consumidor en plataformas de moda digitales. La implementación del clasificador de imágenes basado en RN mejoró significativamente la experiencia del usuario, pasando de una percepción negativa a un 90% de evaluaciones positivas. La prueba de Wilcoxon confirmó que este cambio refleja una mejora real en el comportamiento y las decisiones de los estudiantes universitarios como consumidores.
Descargas
Referencias
Akbiyik, M. (2019). Data Augmentation in Training CNNs: Injecting Noise to Images. arXiv. https://bit.ly/3V2K2aT
Artola, A. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python. [Tesis de Pregrado, Universidad de Sevilla]. https://idus.us.es/items/5de63781-526e-4cb1-94c1-a70431bfb9d4
Bennett, N., y Lemoine, G. J. (2019). What a difference a word makes: Understanding threats to performance in a VUCA world. Business Horizons, 62(3), 273–283. https://doi.org/10.1016/j.bushor.2019.01.008
Briones, H. (2020). Relación entre la experiencia del consumidor y la satisfacción del cliente de un centro comercial en la ciudad de Cajamarca [Tesis de Pregrado, Universidad Privada del Norte]. https://repositorio.upn.edu.pe/handle/11537/24264?show=full
Bruner, J. S. (1966). Toward a theory of instruction. Harvard University Press. https://www.hup.harvard.edu/books/9780674897014
Bustamante, H., Sánchez, N., Agudelo, J. y Camilo, M. (2022). Tendencias de consumo de los estudiantes universitarios y la influencia del e-commerce durante la Pandemia del COVID-19: Estudio de caso. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, 3(2), 355-371. https://doi.org/10.56712/latam.v3i2.92
Contreras, M., Rojano, Y. y Cardona, D. (2019). Caracterización del consumidor universitario: un estudio etnográfico. Panorama Económico, 27(2), 559-574. https://dialnet.unirioja.es/servlet/articulo?codigo=7513401
Davenport, T. H., y Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108–116. https://hbr.org/2018/01/artificial-intelligence-for-the-real-world
Deci, E., y Ryan, R. (2009). The "What" and "Why" of Goal Pursuits: Human Needs and the Self-Determination of Behavior. Psychological Inquiry, 11(4), 227-268. https://doi.org/10.1207/S15327965PLI1104_01
Ferreira, I. (2021). Estudio de las experiencias del consumidor con tecnologías inteligentes controladas por voz. [Tesis de Doctorado, Universidad de la Rioja]. https://dialnet.unirioja.es/servlet/tesis?codigo=304874
Goodfellow, I., Bengio, Y., y Courville, A. (2016). Deep Learning. MIT Press. https://www.deeplearningbook.org/
Hafiz, R., y Bhat, G. (2020). Deep Network Ensemble Learning applied to Image Classification using CNN Trees. Journal of Computer Vision, 22(2), 1-9. https://arxiv.org/pdf/2008.00829
Hernández, R., Fernández, C. y Baptista, M. (2014). Metodología de la Investigación (6ta ed.). McGraw-Hill. https://dialnet.unirioja.es/servlet/libro?codigo=775008
Hernández-García, A. y Konig, P. (2029). Further advantages of data augmentation on convolutional neural networks. arXiv. 1-8. https://arxiv.org/pdf/1906.11052
Hurwitz, J., y Kirsch, D. (2018). Machine learning for dummies (2nd ed.). Wiley. https://doi.org/10.1002/9781119473721
Kohler, M., Krzyzak, A., y Walter, G. (2020). On the rate of convergence of image classifiers based on convolutional neural networks. Annals of the Institute of Statistical Mathematics, 74, 1085-1108. https://link.springer.com/article/10.1007/s10463-022-00828-4
Kohler, M., y Walter, G. (2022). Analysis of Convolutional Neural Network Image Classifiers in a Rotationally Symmetric Model. IEEE Transactions on Information Theory, 69(8), 5203-5218. https://ieeexplore.ieee.org/document/10083208
Kotler, P., y Keller, K. (2016). Marketing Management (15 ed.). Pearson. https://www.academia.edu/37145555/Direcci%C3%B3n_en_Marketing_Kotler_y_Keller_15va_edici%C3%B3n
Kumar, A., Singh, K. P., Kumar, S., y Vetrivendan, L. (2022). Image classification in Python using Keras. En D. Gupta, Z. Polkowski, A. Khanna, S. Bhattacharyya, y O. Castillo (Eds.), Proceedings of Data Analytics and Management. Springer, 90, 557–564. https://doi.org/10.1007/978-981-16-6289-8_45
Li, Q., Huang, Z., Yang, H. y Song, M. (setiembre de 2023). A review of quantum machine learning for image classification. En 2023 2nd International Conference on Artificial Intelligence, Internet of Things and Cloud Computing Technology, IEEE, 70-75. https://doi.org/10.1109/IMSE61332.2023.00021
Naihua, J., Rongyi, B., Zhao, C., Yiming, Y. y Hongyang, M. (2024). Hybrid Quantum Neural Network Image Anti-Noise Classification Model Combined with Error Mitigation. Applied Sciences, 14(4), 1392. https://doi.org/10.3390/app14041392
Rangel, L., Azuela, J. y Ochoa, M., (2020). Explorando el perfil del consumidor universitario. Un estudio de caso de una escuela socialmente responsable en México. CIENCIA ergo-sum, Revista Científica Multidisciplinaria de Prospectiva, 28(3). https://www.redalyc.org/journal/104/10467404008/html/
Romero, F., Carrió, M. y Yang, Q. (2016). Hábitos de consumo TIC de los estudiantes universitarios estudio comparativo entre China y España. Universitat d’Alacant. https://rua.ua.es/dspace/handle/10045/64942
Schwarz, D., Lee, J., y Xu, Y. (2023). Performance evaluation metrics for deep learning models in medical image classification: A comprehensive review. Journal of Medical Imaging and Health Informatics, 13(4), 915-927. https://doi.org/10.1166/jmihi.2023.432
Yang, H., y Ding, Y. (2020). Associative Memory Optimized Method on Deep Neural Networks For Image Classification. Information Sciences, 533, 108-119. https://doi.org/10.1016/j.ins.2020.05.038
Descargas
Archivos adicionales
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
La revista se acoge a la licencia Licencia Atribución (CC BY), permitiendo la posibilidad de copiar, distribuir, exhibir, y producir obras derivadas, siempre y cuando se reconozca y cite al autor.
