Curso: Procesamiento del Lenguaje Natural (2025-I - MIA)

Grupo 7 - Seccion A

Integrantes
- Mamani Cayo, Eduard Javier
- Parado Sosa, Daniel Elmer
- Rosales Fierro, Jesus Eduardo

Abstract
Between 2020 and 2025, there has been significant progress in the development of chatbots focused on medicinal plants, driven by advances in Natural Language Processing (NLP) and generative models. This article provides a review of the state-of-the-art during this period, covering the technologies employed, academic and commercial applications, identified challenges, and future projections. The main techniques used are discussed—from dialogue platforms (e.g., Google Dialogflow) to large language models (LLMs) and hybrid approaches with knowledge bases—and notable prototypes such as MedPlantBot and TCMChat are described. The applications of these chatbots in academic (education and public health) and commercial (virtual assistants in alternative medicine) settings are also analyzed. Key challenges such as the representation of specialized knowledge and the accuracy of responses are emphasized, given the need to avoid misinformation in a sensitive domain. Finally, future trends are explored, including the integration of structured knowledge (knowledge graphs) with generative models to improve reliability and interpretability, as well as the expansion of multimodal and multilingual capabilities. This review aims to serve as a guide for Natural Language Processing (NLP) researchers and healthcare professionals interested in developing intelligent assistants that promote the responsible use of medicinal plants.

Keywords
Chatbots, Plantas medicinales, Procesamiento de Lenguaje Natural.

TEMA:
Aplicación de Modelos de Machine Learning para la Predicción de Generación Energética en Perú usando datos del COES

ABSTRACT:
El presente estudio evalúa métodos avanzados para predecir la generación energética en Perú utilizando datos del Comité de Operación Económica del Sistema Interconectado Nacional (COES). Se comparan enfoques tradicionales como los modelos ARIMA con técnicas de aprendizaje profundo, incluyendo redes neuronales profundas (DNN) y redes neuronales recurrentes (RNN). También se evaluaron modelos de machine learning como la regresión lineal, máquinas de soporte vectorial (SVM), Random Forest y XGBoost. La preparación de los datos incluyó filtración, agrupación, análisis de correlación y pruebas de backtesting. Los resultados indicaron que XGBoost ofrece la mejor precisión con un MAE de 78.76, seguido de Random Forest con un MAE de 162.35. La regresión lineal y SVM mostraron un rendimiento inferior con MAEs de 190.52 y 291.25, respectivamente. Concluye que los modelos de aprendizaje profundo y el aumento en la capacidad computacional han revolucionado la predicción de la generación energética, recomendando la adopción de técnicas avanzadas y la inclusión de más factores auxiliares.

INTEGRANTES (Grupo 7 - Seccion A):
- Mamani Cayo, Eduard
- Parado Sosa, Daniel
- Rosales Fierro, Jesus
- Fonseca Rodriguez, Christian

INFORME FINAL

Tema: Predicción del Éxito de Ingreso Universitario Mediante Cepre-UNI

Integrantes:
• Jesus Rosales Fierro
• Eduard Mamani

Resumen:
Este informe presenta un análisis exhaustivo de un conjunto de datos relacionado con los ingresos universitarios, abordando diversas etapas del proceso analítico. En primer lugar, se realiza la carga y limpieza de los datos, asegurando la calidad y consistencia del conjunto de datos para un análisis preciso. Posteriormente, se aplican técnicas de visualización para explorar y comprender mejor las distribuciones y relaciones entre las variables. El análisis estadístico proporciona una comprensión cuantitativa de las características del conjunto de datos y permite identificar tendencias y patrones significativos. Finalmente, se presentan conclusiones basadas en los hallazgos, destacando los factores que pueden influir en el éxito del ingreso universitario y proporcionando recomendaciones para futuras investigaciones y políticas educativas.

Archivos
Se adjunta informe y dataset