Análisis de la discriminación de género que existe en la clasificación única de ocupaciones para Colombia utilizando procesamiento del lenguaje natural

Vista sencilla de ítem
dc.contributor.advisorCalderón, Liliana
dc.contributor.advisorRosado Gomez, Alveiro
dc.contributor.authorRamos Cuello, Deimer De Jesús
dc.contributor.cvlacRosado Gomez, Alveiro [0001350760]spa
dc.contributor.googlescholarRosado Gomez, Alveiro [es&oi=ao]spa
dc.contributor.orcidRosado Gomez, Alveiro [0000-0003-2932-3383]spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialCórdoba (Colombia)spa
dc.date.accessioned2023-11-09T01:20:46Z
dc.date.available2023-11-09T01:20:46Z
dc.date.issued2023-11-08
dc.degree.nameMagíster en Gestión, Aplicación y Desarrollo de Softwarespa
dc.description.abstractLa selección/reclutamiento de personal idóneo para la ocupación de un puesto de trabajo, asignación salarial u otras prácticas en el ámbito laboral colombiano por medio de técnicas de inteligencia artificial, puede incurrir en discriminación (por características intrínsecas de las personas) y perpetuación de este flagelo social. En este trabajo se realizó un análisis de las tendencias desproporcionadas y/o favorecimientos hacia un género que podrían ser generados por modelos de aprendizaje automático (inteligencia artificial) sustentados en la clasificación única de ocupaciones en Colombia (CUOC). Se utilizaron los modelos pre-entrenados de incrustaciones de palabras: Word2Vec, FastText, Glove y Wiki2Vec. Se desarrollaron modelos de clasificación y regresión, como: RandomForest, DecisionTree, XgBoost, LightGBM y otros.spa
dc.description.abstractenglishThe selection/recruitment of suitable personnel for the occupation of a job, salary assignment or other practices in the Colombian workplace through artificial intelligence techniques, may incur discrimination (due to intrinsic characteristics of the people) and perpetuation of this. social scourge. In this work, an analysis was carried out of the disproportionate tendencies and/or favors towards a gender that could be generated by machine learning models (artificial intelligence) supported by the unique classification of occupations in Colombia (CUOC). The pre-trained word embedding models were used: Word2Vec, FastText, Glove and Wiki2Vec. Classification and regression models were developed, such as: RandomForest, DecisionTree, XgBoost, LightGBM and others.spa
dc.description.degreelevelMaestríaspa
dc.description.learningmodalityModalidad Virtualspa
dc.description.sponsorshipUniversidad de Córdobaspa
dc.description.tableofcontentsINTRODUCCIÓN..............................................................................................................11 1 MARCO TEORICO........................................................................................................19 1.1 INTELIGENCIA ARTIFICIAL..................................................................................... 19 1.1.1 APRENDIZAJE AUTOMÁTICO.............................................................................. 20 1.1.2 PROCESAMIENTO DEL LENGUAJE NATURAL:................................................. 24 1.1.2.1 INCRUSTACIONES DE PALABRAS (WORD EMBEDDINGS)........................... 25 1.1.2.1.1 MODELOS PRE-ENTRENADOS PARA INCRUSTACIONES DE PALABRAS: ........................................................................................................................................ 28 1.1.2.2 AL INTERIOR DE UN MODELO DE MACHINE LEARNING:.............................. 32 1.1.3 ALGORITMOS DE CLASIFICACIÓN EN MACHINE LEARNING: ......................... 37 1.1.3.1 EVALUACIÓN DE MODELOS (ALGORITMOS DE CLASIFICACIÓN)............... 40 1.1.4 ALGORITMOS DE REGRESIÓN EN MACHINE LEARNING:................................ 41 1.1.4.1 EVALUACIÓN DE MODELOS (ALGORITMOS DE REGRESIÓN) ..................... 43 1.1.5 SESGOS EN LAS INCRUSTACIONES DE PALABRAS: ...................................... 44 1.2 PALABRAS CON TENDENCIA MASCULINA, FEMENINA Y NEUTRAS: ............... 47 2 MÉTODO DE INVESTIGACIÓN ....................................................................................49 2.1 CLASIFICACIÓN ÚNICA DE OCUPACIONES DE COLOMBIA: .............................. 49 2.2 SELECCIÓN DE MODELOS PRE-ENTRENADOS DE INCRUSTACIONES DE PALABRAS: ................................................................................................................... 50 2.3 TRATAMIENTO A LAS OCUPACIONES PARA IDENTIFICAR TENDENCIAS HACIA UN SEXO: ....................................................................................................................... 50 3 RESULTADOS DE LA INVESTIGACIÓN......................................................................53 3.1 IDENTIFICACIÓN DE LAS OCUPACIONES SESGADAS CONTEMPLADAS EN LA CUOC A TRAVÉS DE MODELOS PRE-ENTRENADOS DE INCRUSTACIONES DE PALABRAS..................................................................................................................... 53 3.2 INTEGRACIÓN DE DATASETS OBTENIDOS DE EVALUAR LA CUOC EN LOS MODELOS PRE-ENTRENADOS:................................................................................... 57 3.3 CONSOLIDACIÓN CONJUNTO DE DATOS DE LA FUERZA LABORAL E INTEGRACIÓN CON LAS OCUPACIONES SESGADAS............................................... 59 3.4 ANÁLISIS DEL CONJUNTO DE DATOS INTEGRADO:........................................... 64 3.5 SELECCIÓN DE ALGORITMOS (CLASIFICACIÓN Y REGRESIÓN) Y OPTIMIZACIÓN DE LA DATA PARA ENTRENAR MODELOS DE PREDICTIVOS:...... 76 3.6 ENTRENAMIENTO DE LOS MODELOS PREDICTIVOS (CLASIFICACIÓN Y REGRESIÓN).................................................................................................................. 79 3.7 ANALISIS DE LA CANTIDAD DE MUJERES VS HOMBRES POR CADA INTERVALO DE SALARIO (1-5) (INTERVALOS APLICADOS PARA LOS MODELOS DE CLASIFICACIÓN): .................................................................................................... 83 3.8 ANALISIS DE METRICAS DE PRECISIÓN PARA LOS MODELOS DE CLASIFICACIÓN SEPARADAS POR SEXO:................................................................. 84 3.9 ANÁLISIS DE LA CURVA ROC PARA LAS PREDICCIONES DE RANGOS SALARIALES ENTRE HOMBRES Y MUJERES: ........................................................... 86 3.10 ELI5 - RANDOMFOREST........................................................................................ 89 3.11 ANALISIS DE METRICAS DE PRECISIÓN PARA LOS MODELOS DE REGRESIÓN SEPARADAS POR SEXO: ....................................................................... 90 3.12 ANÁLISIS DE CORRELACIÓN ENTRE LAS PREDICCIONES Y DATOS REALES: ........................................................................................................................................ 91 3.13 ELI5 – XGBoost...................................................................................................... 92 3.14 ANALISIS DE POSIBLES OCUPACIONES CON DISCRIMINACIÓN A TRAVÉS DE UN MODELO PRE-ENTRENADO SESGADO:............................................................... 93 3.14.1 IMPLEMENTACIÓN FASTTEXT A LOS MODELOS DE RANDOMFOREST Y XGBOOST....................................................................................................................... 93 3.14.2 ANALISIS DE LAS PREDICCIONES DE LOS MODELOS UTILIZANDO VECTORES DE PALABRAS VS OCUPACIONES EN LINEA BASE ............................. 95 4 CONCLUSIONES........................................................................................................103 5 RECOMENDACIONES Y TRABAJOS FUTUROS......................................................105 REFERENCIAS..............................................................................................................106spa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.identifier.urihttp://hdl.handle.net/20.500.12749/22679
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programMaestría en Gestión, Aplicación y Desarrollo de Softwarespa
dc.relation.referencesAgudelo-Giraldo, O. A., León Molina, J. E., Prieto Salas, M. A., Alarcón-Peña, A., &Jiménez-Triana, J. C. (2018). La). La pregunta por el método: derecho y metodología de la investigación.Bogotáinvestigación. :UniversidadBogotá: Universidad Católica de Colombiaspa
dc.relation.referencesAlvarez, J. E., & Bast, H. (2017). A review of word embedding and document similarity algorithms applied to academic text. Bachelor thesis.spa
dc.relation.referencesBenítez, R., Escudero, G., Kanaan, S., & Rodó, D. M. (2014). Inteligencia artificial avanzada. Editorial UOC.spa
dc.relation.referencesBrazdil, P., y Jorge, A. (Eds.). (2001). Progress in Artificial Intelligence: Knowledge Extraction, Multi-agent Systems,Logic Programming, and Constraint Solving. Berlin, Heidelberg: Springer Berlin Heidelberg. https://doi.org/10.1007/3-540-45329-6spa
dc.relation.referencesCaliskan, A., Bryson, J. J., & Narayanan, A. (2017). Semantics derived automatically from language corpora contain human-like biases. Science, 356(6334), 183-186.spa
dc.relation.referencesCamacho, M., & Navarro, E. (Marzo de 2020). Procesamiento del lenguaje natural con Python Natural language processing with Python. (U. d. Facultad de Ingeniería Electromecánica, Ed.) Procesamiento del lenguaje natural, 4(13), 24-28.spa
dc.relation.referencesChen, T., & Guestrin, C. (2016, March). XGBoost: A scalable tree boosting system. arXiv preprint arXiv:1603.02754.spa
dc.relation.referencesDANE - Clasificación Internacional Uniforme de Ocupaciones (CIUO). (2023). Dane.gov.co. https://www.dane.gov.co/index.php/sistema-estadistico-nacional-sen/normas-y-estandares/nomenclaturas-y-clasificaciones/clasificaciones/clasificacion-internacional-uniforme-de-ocupaciones-ciuospa
dc.relation.referencesDANE - Trabajo infantil. (2023). Dane.gov.co. https://www.dane.gov.co/index.php/estadisticas-por-tema/mercado-laboral/trabajo-infantilspa
dc.relation.referencesDANE. (2023). Mercado laboral según sexo. https://www.dane.gov.co/files/operaciones/GEIH/mercado-laboral-segun-sexo/bol-GEIH-MLS-abr2023.pdfspa
dc.relation.referencesde, D. (2023, March 10). Gran Encuesta Integrada de Hogares - GEIH - 2023. - Colombia. Dane.gov.co. https://microdatos.dane.gov.co/index.php/catalog/782spa
dc.relation.referencesde, M. (2019). Páginas - Ciclo de Vida. Minsalud.gov.co. https://www.minsalud.gov.co/proteccionsocial/Paginas/cicloVida.aspxspa
dc.relation.referencesDe-Arteaga, M., Romanov, A., Wallach, H., Chayes, J., Borgs, C., Chouldechova, A., ... & Kalai, A. T. (2019, January). Bias in bios: A case study of semantic representation bias in a high-stakes setting. In proceedings of the Conference on Fairness, Accountability, and Transparency (pp. 120-128).spa
dc.relation.referencesDecision Tree - GeeksforGeeks. (2017). Retrieved 1 December 2022, from https://www.geeksforgeeks.org/decision-tree/spa
dc.relation.referencesDev, S., & Phillips, J. (2019, April). Attenuating bias in word vectors. In The 22nd international conference on artificial intelligence and statistics (pp. 879-887). PMLR.spa
dc.relation.referencesDobrev, D. (2004). A definition of artificial intelligence. arXiv preprint arXiv:1210.1568.spa
dc.relation.referencesEl Joudi, N. A., Othmani, M. B., Bourzgui, F., Mahboub, O., & Lazaar, M. (2022). Review of the role of Artificial Intelligence in dentistry: Current applications and trends. Procedia Computer Science, 210, 173-180.spa
dc.relation.referencesEscobar Macías, A. D. (2019). Análisis del uso del procesamiento del lenguaje natural y su aplicación en sistemas conversacionales (Doctoral dissertation, Universidad de Guayaquil. Facultad de Ciencias Matemáticas y Físicas. Carrera de Ingeniería en Networking y Telecomunicaciones).spa
dc.relation.referencesFarzana, S. M. (2021). Enhancing Term-Based Document Retrieval by Word Embedding and Transformer Models (Doctoral dissertation, Rheinische Friedrich-Wilhelms-Universität Bonn).spa
dc.relation.referencesGiró, J. L. M. (2020). El masculino inclusivo en español. Revista Española de Lingüística, 50(1), 35-64.spa
dc.relation.referencesGopchandani, S. (2019). Using Word Embeddings to Explore the Language of Depression on Twitter. The University of Vermont and State Agricultural College.spa
dc.relation.referencesHarrell, F. E. (2019). Regression Modeling Strategies. 3ra ed. Springer.spa
dc.relation.referencesHernández, M., & Gómez, J. (31 de Julio de 2013). Aplicaciones de procesamiento de lenguaje natural. Revista Politécnica, 32(1), 87-96.spa
dc.relation.referencesHyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: Principles and practice. 3ra ed. OTexts.spa
dc.relation.referencesKamkarhaghighi, M. (2019). Global-local word embedding for text classification (Doctoral dissertation, University of Ontario Institute of Technology (Canada)).spa
dc.relation.referencesKeiff, M. R. (2021). Quantifying Social Biases in News Articles with Word Embeddings.spa
dc.relation.referencesKirasich, K., Smith, T., & Sadler, B. (2018). Random forest vs logistic regression: binary classification for heterogeneous datasets. SMU Data Science Review, 1(3), 9.spa
dc.relation.referencesKowsari, K., Jafari Meimandi, K., Heidarysafa, M., Mendu, S., Barnes, L., & Brown, D. (2019). Text classification algorithms: A survey. Information, 10(4), 150.spa
dc.relation.referencesK2 Analytics. (2020, June 19). Missing Value Imputation using KNN | K2 Analytics. K2 Analytics. https://www.k2analytics.co.in/missing-value-imputation-using-knn/spa
dc.relation.referencesLi, J., Gao, F., Lin, S., Guo, M., Li, Y., Liu, H., ... & Wen, Q. (2023). Quantum k-fold cross-validation for nearest neighbor classification algorithm. Physica A: Statistical Mechanics and its Applications, 611, 128435.spa
dc.relation.referencesLinear Regression in Machine learning - Javatpoint. (2021). Www.javatpoint.com. https://www.javatpoint.com/linear-regression-in-machine-learningspa
dc.relation.referencesLinear Regression in Machine learning. (2018, September 13). GeeksforGeeks; GeeksforGeeks. https://www.geeksforgeeks.org/ml-linear-regression/spa
dc.relation.referencesLópez, D. I. P., & Delgado, C. C. (2015). El género desde las y los estudiantes de licenciatura: un análisis a través de las representaciones sociales. JÓVENES EN LA CIENCIA, 1(2), 1052-1056.spa
dc.relation.referencesmachinelearningparatodos. (2018). Tipos de aprendizaje automático. Recuperado de: https://machinelearningparatodos.com/tipos-de-aprendizaje-automatico/spa
dc.relation.referencesMartínez, C. D., García, P. D., & Sustaeta, P. N. (2020). Sesgos de género ocultos en los macrodatos y revelados mediante redes neurales. Reis: Revista Española de Investigaciones Sociológicas, (172), 41-59.spa
dc.relation.referencesMay, C., Wang, A., Bordia, S., Bowman, S. R., & Rudinger, R. (2019). On measuring social biases in sentence encoders. arXiv preprint arXiv:1903.10561.spa
dc.relation.referencesML | Linear Discriminant Analysis - GeeksforGeeks. (2019). Retrieved 1 December 2022, from https://www.geeksforgeeks.org/ml-linear-discriminant-analysis/spa
dc.relation.referencesNadeem, M., Bethke, A., & Reddy, S. (2020). Stereoset: Measuring stereotypical bias in pretrained language models. arXiv preprint arXiv:2004.09456.spa
dc.relation.referencesNational Academies of Sciences, Engineering, and Medicine. (2019). The Risk of Bias in Artificial Intelligence. Washington, DC: The National Academies Press.spa
dc.relation.referencesObjetivos y metas de desarrollo sostenible - Desarrollo Sostenible. (2022). Retrieved 18 July 2022, from https://www.un.org/sustainabledevelopment/es/objetivos-de-desarrollo-sostenible/spa
dc.relation.referencesObservatorio Laboral y Ocupacional Colombiano. (2021). Sena.edu.co. https://observatorio.sena.edu.co/clasificacion/cnospa
dc.relation.referencesOgunfowora, O., & Najjaran, H. (2023). Reinforcement and deep reinforcement learning-based solutions for machine maintenance planning, scheduling policies, and optimization. Journal of Manufacturing Systems, 70, 244-263.spa
dc.relation.referencesPapakyriakopoulos, O., Hegelich, S., Serrano, J. C. M., & Marco, F. (2020, January). Bias in word embeddings. In Proceedings of the 2020 conference on fairness, accountability, and transparency (pp. 446-457).spa
dc.relation.referencesPennington, J., Socher, R., & Manning, C. D. (2014, October). Glove: Global vectors for word representation. In Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP) (pp. 1532-1543).spa
dc.relation.referencesPessach, D., & Shmueli, E. (2020). Algorithmic fairness. arXiv preprint arXiv:2001.09784.spa
dc.relation.referencesPython Imputation using the KNNimputer. (2020, August 10). GeeksforGeeks; GeeksforGeeks. https://www.geeksforgeeks.org/python-imputation-using-the-knnimputer/spa
dc.relation.referencesRavali, R. S., Vijayakumar, T. M., Lakshmi, K. S., Mavaluru, D., Reddy, L. V., Retnadhas, M., & Thomas, T. (2022). A systematic review of artificial intelligence for pediatric physiotherapy practice: past, present, and future. Neuroscience Informatics, 2(4), 100045.spa
dc.relation.referencesRoca, L. V. (1992). El género gramatical en español, reflejo del dominio masculino. Política y cultura, (1), 219-229.spa
dc.relation.referencesRodrigo, J. (2022). Análisis de Componentes Principales (Principal Component Analysis, PCA) y t-SNE. Retrieved 1 December 2022, from https://www.cienciadedatos.net/documentos/35_principal_component_analysisspa
dc.relation.referencesRouhiainen, L. (2018). Inteligencia artificial. Madrid: Alienta Editorial.spa
dc.relation.referencesSandoval Serrano, L. J. (2018). Algoritmos de aprendizaje automático para análisis y predicción de datos. Revista Tecnológica; no. 11.spa
dc.relation.referencesSheykhmousa, M., Mahdianpari, M., Ghanbari, H., Mohammadimanesh, F., Ghamisi, P., & Homayouni, S. (2020). Support vector machine versus random forest for remote sensing image classification: A meta-analysis and systematic review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 13, 6308-6325.spa
dc.relation.referencessklearn.linear_model.LinearRegression. (2023). Scikit-Learn. https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.htmlspa
dc.relation.referencessklearn.tree.DecisionTreeRegressor. (2023). Scikit-Learn. https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeRegressor.htmlspa
dc.relation.referencesSosnick, M. A. (2017). Exploring Fairness and Bias in Algorithms and Word Embedding (Doctoral dissertation, University of Pennsylvania).spa
dc.relation.referencesSutton, A. J. (2021). Concepts in Word Embeddings: Theory and Applications (Doctoral dissertation, University of Bristol).spa
dc.relation.referencesSutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction (3rd ed.). MIT Press.spa
dc.relation.referencesSweeney, L. (2013). Discrimination in online ad delivery. Communications of the ACM, 56(5), 44-54.spa
dc.relation.referencesTan, Y. C., & Celis, L. E. (2019). Assessing social and intersectional biases in contextualized word representations. Advances in Neural Information Processing Systems, 32.spa
dc.relation.referencesTeam, N. (2022, April 7). Unsupervised Learning Types, Algorithms and Applications - Nixus. Nixus. https://nixustechnologies.com/unsupervised-machine-learning/spa
dc.relation.referencesTop 10 Dimensionality Reduction Techniques For Machine Learning | upGrad blog. (2020). Retrieved 1 December 2022, from https://www.upgrad.com/blog/top-dimensionality-reduction-techniques-for-machine-learning/spa
dc.relation.referencesUmadevi, S., & Marseline, K. J. (2017, July). A survey on data mining classification algorithms. In 2017 International Conference on Signal Processing and Communication (ICSPC) (pp. 264-268). IEEE.spa
dc.relation.referencesVarious ways to evaluate a machine learning models performance. (2019). Retrieved 1 December 2022, from https://towardsdatascience.com/various-ways-to-evaluate-a-machine-learning-models-performance-230449055f15spa
dc.relation.referencesVásquez, A. C., Quispe, J., & Huayna, A. (Julio - Diciembre de 2009). Procesamiento de lenguaje natural. Revista de investigación de Sistemas e Informática, 6(2), 45-54.spa
dc.relation.referencesWhat is a Machine Learning Pipeline (2022). Available at: https://valohai.com/machine-learning-pipeline/ (Accessed: 1 December 2022).spa
dc.relation.referencesWord Embeddings in NLP - GeeksforGeeks. (2020). Retrieved 1 December 2022, from https://www.geeksforgeeks.org/word-embeddings-in-nlp/spa
dc.relation.referencesZhao, J., Wang, T., Yatskar, M., Ordonez, V., & Chang, K. W. (2017). Men also like shopping: Reducing gender bias amplification using corpus-level constraints. arXiv preprint arXiv:1707.09457.spa
dc.relation.referencesZou, M., Jiang, W. G., Qin, Q. H., Liu, Y. C., & Li, M. L. (2022). Optimized XGBoost model with small dataset for predicting relative density of Ti-6Al-4V parts manufactured by selective laser melting. Materials, 15(15), 5298.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.subject.keywordsSystems engineerspa
dc.subject.keywordsSoftware developmentspa
dc.subject.keywordsDiscriminationspa
dc.subject.keywordsNatural language processingspa
dc.subject.keywordsWords embeddingsspa
dc.subject.keywordsOccupationspa
dc.subject.keywordsProgramming languagespa
dc.subject.keywordsElectronic data processingspa
dc.subject.keywordsComputational linguisticsspa
dc.subject.keywordsMachine languagesspa
dc.subject.lembDesarrollo de Softwarespa
dc.subject.lembIngeniería de sistemasspa
dc.subject.lembLenguaje de programaciónspa
dc.subject.lembProcesamiento electrónico de datosspa
dc.subject.lembLingüística computacionalspa
dc.subject.lembLenguajes de máquinaspa
dc.subject.proposalDiscriminaciónspa
dc.subject.proposalOcupacionesspa
dc.subject.proposalProcesamiento del lenguaje naturalspa
dc.subject.proposalIncrustaciones de palabrasspa
dc.titleAnálisis de la discriminación de género que existe en la clasificación única de ocupaciones para Colombia utilizando procesamiento del lenguaje naturalspa
dc.title.translatedAnalysis of the gender discrimination that exists in the unique classification of occupations for Colombia using natural language processingspa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.driverinfo:eu-repo/semantics/masterThesis
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.type.localTesisspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
2023_Tesis_Deimer_Ramos.pdf
Tamaño:
3.51 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar
Miniatura
Nombre:
Licencia.pdf
Tamaño:
453.24 KB
Formato:
Adobe Portable Document Format
Descripción:
Licencia
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
829 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Gestión, Aplicación y Desarrollo de Software (Convenio Universidad de Córdoba)