Modelo de segmentación de usuarios y análisis del comportamiento bibliotecario en entornos universitarios mediante la ciencia de datos para la toma de decisiones informadas

Vista sencilla de ítem
dc.contributor.advisorChio Cho, Nayibe
dc.contributor.apolounabChio Cho, Nayibe [nayibe-chío-cho]spa
dc.contributor.authorJaimes Calvete, Maribel
dc.contributor.authorPaez Ortíz, Elsy
dc.contributor.cvlacChio Cho, Nayibe [0000375918]spa
dc.contributor.googlescholarChio Cho, Nayibe [mModWy8AAAAJ]spa
dc.contributor.linkedinChio Cho, Nayibe [nayibe-chio-cho-41a17724]spa
dc.contributor.orcidChio Cho, Nayibe [0000-0002-9459-4350]spa
dc.contributor.researchgateChio Cho, Nayibe [Nayibe_Chio]spa
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.coverage.spatialBucaramanga (Santander, Colombia)spa
dc.date.accessioned2026-03-24T16:50:19Z
dc.date.available2026-03-24T16:50:19Z
dc.date.issued2026-02-21
dc.degree.nameMagíster en Ciencia de Datosspa
dc.description.abstractEn las bibliotecas universitarias, comprender a fondo el comportamiento de los usuarios es clave para optimizar los servicios, mejorar la toma de decisiones sobre adquisiciones y ofrecer recomendaciones personalizadas. Sin embargo, actualmente, muchas bibliotecas gestionan grandes volúmenes de datos sobre préstamos, renovaciones y consultas sin aprovechar plenamente su potencial analítico. Este proyecto busca abordar esta brecha mediante técnicas de preprocesamiento, análisis exploratorio, minería de datos y técnicas de medición, para identificar patrones de uso y segmentar usuarios en grupos homogéneos. Esto permitirá diseñar estrategias de servicio adaptadas a los intereses y hábitos de cada grupo. El modelo también considerará variables como programas académicos, frecuencia de uso, tipo de material, tipo de usuario y recurrencia en el uso de recursos físicos. Esta aproximación permitirá a las bibliotecas universitarias anticiparse a las necesidades de sus usuarios y tomar decisiones basadas en evidencia para la gestión bibliográfica. El Propósito de este proyecto es desarrollar un modelo basado en ciencia de datos que analice el comportamiento de los usuarios y permita su segmentación. Esto facilitará optimizar recursos y personalizar servicios según las necesidades de cada segmento. Para ello, se analizarán datos históricos aplicando técnicas de minería de datos. Metodológicamente, se seguirá un enfoque cuantitativo basado en la ciencia de datos, utilizando el ciclo CRISP-DM para guiar las etapas del análisis. Se iniciará con la recopilación y preprocesamiento de datos históricos de uso bibliotecario, considerando variables como el programa académico, la frecuencia de uso, el tipo de material y el tipo de usuario. Finalmente, se caracterizarán los segmentos obtenidos y se generarán recomendaciones orientadas a mejorar la toma de decisiones en la gestión y personalización de los servicios bibliotecarios. Como resultado esperado, se obtendrá un modelo de segmentación que agrupe usuarios con comportamientos y preferencias similares. Esto permitirá mejorar la adquisición de recursos, personalizar los servicios y diseñar estrategias de promoción más efectivas, apoyando así la toma de decisiones informadas en la gestión bibliotecaria.spa
dc.description.abstractenglishIn academic libraries, a deep understanding of user behavior is key to optimizing services, improving acquisition decision-making, and offering personalized recommendations. However, many libraries currently manage large volumes of data on loans, renewals, and queries without fully leveraging its analytical potential. This project seeks to address this gap through preprocessing, exploratory analysis, data mining, and measurement techniques to identify usage patterns and segment users into homogeneous groups. This will allow for the design of service strategies tailored to the interests and habits of each group. The model will also consider variables such as academic programs, frequency of use, type of material, user type, and recurrence of use of physical resources. This approach will allow university libraries to anticipate the needs of their users and make evidence-based decisions for bibliographic management. He purpose of this project is to develop a data science-based model that analyzes user behavior and enables segmentation. This will facilitate the optimization of resources and personalization of services according to the needs of each segment. To achieve this, historical data will be analyzed using data mining techniques. Methodologically, a quantitative approach based on data science will be followed, using the CRISP-DM cycle to guide the stages of analysis. It will begin with the collection and preprocessing of historical library usage data, considering variables such as academic program, frequency of use, type of material, and user type. Finally, the resulting segments will be characterized, and recommendations will be generated to improve decision-making in the management and personalization of library services. The expected result will be a segmentation model that groups users with similar behaviors and preferences. This will allow for improved resource acquisition, personalized services, and the design of more effective promotional strategies, thus supporting informed decision-making in library management.spa
dc.description.degreelevelMaestríaspa
dc.description.learningmodalityModalidad Virtualspa
dc.description.tableofcontentsINTRODUCCIÓN………………………………………………………………………....14 1 PROBLEMA(S), PREGUNTA(S), HIPÓTESIS Y JUSTIFICACIÓN DE LA INVESTIGACIÓN ............................................................................................................... 16 1.1 PLANTEAMIENTO DEL PROBLEMA ............................................................. 17 1.2 PREGUNTA DE INVESTIGACIÓN .................................................................. 19 1.3 HIPOTÉSIS CUALITATIVA .............................................................................. 19 1.4 JUSTIFICACIÓN ................................................................................................. 20 1.5 OBJETIVOS DEL PROYECTO .......................................................................... 21 1.5.1 OBJETIVO GENERAL ................................................................................... 22 1.5.2 OBJETIVOS ESPECÍFICOS ........................................................................... 22 2 MARCO REFERENCIAL ............................................................................................ 23 2.1 MARCO TEORICO CONCEPTUAL .................................................................. 23 2.1.1 COMPORTAMIENTO INFORMACIONAL Y USUARIOS DE BIBLIOTECAS UNIVERSITARIAS ........................................................................... 23 2.1.2 SEGMENTACIÓN DE USUARIOS Y PERSONALIZACIÓN DE SERVICIOS .................................................................................................................. 23 2.1.3 MINERÍA DE DATOS Y APRENDIZAJE NO SUPERVISADO EN BIBLIOTECAS. ............................................................................................................ 23 2.1.4 VISUALIZACIÓN DE DATOS Y APOYO A LA TOMA DE DECISIONES 24 2.1.5 CRISP-DM Y CICLO DE VIDA DE PROYECTOS DE CIENCIA DE DATOS 24 2.2 MARCO NORMATIVO ...................................................................................... 26 2.2.1 NORMATIVA SOBRE PROTECCIÓN DE DATOS PERSONALES ........... 26 2.2.2 LINEAMIENTOS INTERNACIONALES SOBRE USO ÉTICO DE DATOS E INTELIGENCIA ARTIFICIAL .................................................................................... 26 2.2.3 NORMATIVA INSTITUCIONAL SOBRE GESTIÓN DE LA INFORMACIÓN ........................................................................................................... 27 2.2.4 NORMAS TÉCNICAS PARA SISTEMAS BIBLIOTECARIOS ................... 27 2.2.5 MARCO LEGAL DEL SISTEMA DE EDUCACIÓN SUPERIOR EN COLOMBIA.................................................................................................................. 27 2.3 ANTECEDENTES ............................................................................................... 28 2.3.1 ANTECEDENTES DEL PROYECTO ............................................................ 28 2.4 MARCO CONTEXTUAL .................................................................................... 29 2.4.1 CONTEXTO INSTITUCIONAL ..................................................................... 29 2.4.2 CONTEXTO TECNOLÓGICO Y DE DATOS ............................................... 29 2.4.3 CONTEXTO SOCIAL Y EDUCATIVO ......................................................... 29 2.4.4 MARCO ORGANIZACIONAL Y DE TOMA DE DECISIONES ................. 30 2.5 REVISIÓN DE LITERATURA ........................................................................... 30 2.5.1 PLANIFICACIÓN DE LA REVISIÓN PREGUNTA DE INVESTIGACIÓN 30 2.5.2 PROTOCOLO DE LA REVISIÓN PARA LA FASE DE REALIZACIÓN ... 31 2.5.3 REALIZACIÓN DE LA REVISIÓN ............................................................... 32 2.5.4 RESULTADOS DE LA REVISIÓN DE LA LITERATURA ......................... 33 3 ASPECTOS METODOLÓGICOS DEL PROYECTO................................................. 40 3.1 ENFOQUE Y TIPO DE INVESTIGACIÓN ....................................................... 40 3.1.1 ENFOQUE DE LA INVESTIGACIÓN ........................................................... 40 3.1.2 TIPO DE INVESTIGACIÓN ........................................................................... 40 3.2 TÉCNICA E INSTRUMENTOS DE RECOLECCIÓN DE INFORMACIÓN ... 40 3.3 POBLACIÓN UNIVERSO Y MUESTRA .......................................................... 40 3.4 FASES DEL PROYECTO Y ACTIVIDADES ................................................... 41 3.4.1 FASE 1: COMPRENSIÓN DEL NEGOCIO (CONTEXTO BIBLIOTECARIO). ...................................................................................................... 41 3.4.2 FASE 2: COMPRENSIÓN DE LOS DATOS (ANÁLISIS EXPLORATORIO DE DATOS – EDA). ..................................................................................................... 41 3.4.3 FASE 3: PREPARACIÓN DE LOS DATOS (LIMPIEZA, INTEGRACIÓN Y ESTRUCTURACIÓN).................................................................................................. 41 3.4.4 FASE 4: MODELADO (PREDICCIÓN Y SEGMENTACIÓN DE USUARIOS).................................................................................................................. 42 3.4.5 FASE 5: EVALUACIÓN Y VALIDACIÓN DE LOS MODELOS. ............... 42 3.4.6 FASE 6: DESPLIEGUE DEL MODELO Y ENTREGA DE RESULTADOS FINALES ...................................................................................................................... 42 3.5 ACTIVIDADES INVESTIGATIVAS REALIZADAS ....................................... 43 3.6 ASPECTOS ÉTICOS ........................................................................................... 43 4 RESULTADOS ............................................................................................................. 44 4.1 RESUMEN DEL CONTEXTO BIBLIOTECARIO. ........................................... 44 4.1.1 ANÁLISIS DE DATA EXISTENTE ............................................................... 45 4.1.2 REVISIÓN GENERAL DE LA CALIDAD DE LOS DATOS ....................... 47 4.1.3 INFORME ANALÍTICO DE LA ENCUESTA SOBRE EL USO DE CIENCIA DE DATOS EN LA GESTIÓN BIBLIOTECARIA ..................................................... 49 4.1.4 ENTREVISTA CON EL DIRECTOR DE BIBLIOTECA .............................. 55 4.1.5 EVALUACIÓN DE LOS RECURSOS Y LIMITACIONES LEGALES. ...... 56 4.2 INFORME DEL ANÁLISIS EXPLORATORIO DE DATOS (EDA) Y CINCO VISUALIZACIONES ESTADÍSTICAS. ......................................................................... 57 4.2.1 PROPÓSITO .................................................................................................... 58 4.2.2 DESCRIPCIÓN DEL CONJUNTO DE DATOS ............................................ 58 4.2.3 TENDENCIAS TEMPORALES EN EL VOLUMEN DE PRÉSTAMOS ...... 62 4.3 DATASET FINAL (CSV), DOCUMENTACIÓN DE PASOS Y SCRIPTS REPRODUCIBLES. ......................................................................................................... 65 4.3.1 PROPÓSITO .................................................................................................... 66 4.3.2 LECTURA, NORMALIZACIÓN DE COLUMNAS Y CONSOLIDACIÓN DE LOS ARCHIVOS CSV EN UN ÚNICO DATASET. .................................................. 67 4.3.3 ANÁLISIS DE TENDENCIAS TEMPORALES. ........................................... 71 4.3.4 SELECCIÓN FINAL DE VARIABLES Y GENERACIÓN DE DATASETS DERIVADOS. ............................................................................................................... 73 4.3.5 VERIFICACIÓN DE CALIDAD POSTERIOR A LA DEPURACIÓN Y VALIDACIÓN DE INTEGRIDAD DEL DATASET .................................................. 74 4.3.6 IMPUTACIÓN AVANZADA DE VALORES FALTANTES Y RECONSTRUCCIÓN SEMÁNTICA DE VARIABLES INSTITUCIONALES ........ 75 4.3.7 GENERACIÓN DEL DATASET IMPUTADO Y RECONSTRUCCIÓN DEL SUBCONJUNTO PARA MODELADO ...................................................................... 77 4.3.8 CONSTRUCCIÓN DE VARIABLES DERIVADAS Y ANÁLISIS COMPARATIVO PRE-POST PANDEMIA ................................................................ 78 4.3.9 COMPARACIÓN PRE–POST PANDEMIA POR SEDE, TIPO DE MATERIAL Y TIPO DE USUARIO ........................................................................... 79 4.3.10 ANÁLISIS DE SIGNIFICANCIA ESTADÍSTICA EN LA VARIACIÓN DE LA MORA BIBLIOTECARIA (PRE VS. POST PANDEMIA) .................................. 81 4.3.11 ANÁLISIS DE VARIACIÓN DE LA MORA CON PRUEBA DE SIGNIFICANCIA ESTADÍSTICA............................................................................... 82 4.4 INFORME COMPARATIVO CON RESULTADOS DE LOS CINCO MODELOS ENTRENADOS. .......................................................................................... 84 4.4.1 PROPÓSITO .................................................................................................... 85 4.4.2 CONSTRUCCIÓN DE VARIABLES Y PREPARACIÓN DEL DATASET PARA MODELADO PREDICTIVO............................................................................ 86 4.4.3 PRONÓSTICO DEMANDA DE PRÉSTAMOS MEDIANTE MODELOS DE SERIES TEMPORALES .............................................................................................. 88 4.4.4 MODELOS DE CLASIFICACIÓN SUPERVISADA PARA LA PREDICCIÓN DE MORA..................................................................................................................... 90 4.4.5 MODELO AVANZADO DE CLASIFICACIÓN BASADO EN GRADIENT BOOSTING PARA LA PREDICCIÓN DE MORA .................................................... 92 4.4.6 SEGMENTACIÓN MEDIANTE CLUSTERING ........................................... 94 4.4.7 ANÁLISIS DE PROGRAMAS ........................................................................ 95 4.4.8 DURACIÓN DEL PRÉSTAMO ...................................................................... 97 4.4.9 TIPO DE MATERIAL DOMINANTE ............................................................ 98 4.4.10 PATRÓN DE SEGMENTACIÓN POR CLÚSTER – PATRÓN QUE SE REPITE ......................................................................................................................... 99 4.5 INFORME FINAL DE EVALUACIÓN CON RESULTADOS Y MODELO SELECCIONADO. ......................................................................................................... 100 4.5.1 PROPÓSITO .................................................................................................. 101 4.5.2 IMPUTACIÓN SEMÁNTICA POR REGLAS DE CO-OCURRENCIA ..... 102 4.5.3 SEGMENTACIÓN DE GRUPOS DE USUARIOS MEDIANTE TÉCNICAS DE CLUSTERING ...................................................................................................... 103 4.5.4 APLICACIÓN DE TÉCNICAS DE CLUSTERING NO SUPERVISADO . 104 4.5.5 COMPARACIÓN DEL DESEMPEÑO DE LOS MODELOS DE CLUSTERING ............................................................................................................ 111 4.5.6 ANÁLISIS COMPARATIVO DE MODELOS DE FORECASTING .......... 116 4.5.7 CLASIFICACIÓN DE MORA: COMPARATIVA Y SELECCIÓN DE MODELOS DE CLASIFICACIÓN PARA PREDICCIÓN DE MORA .................... 118 4.5.8 INVENTARIO Y TRAZABILIDAD DE ARTEFACTOS DEL PROYECTO 122 4.6 DESPLIEGUE DEL MODELO Y ENTREGA DE RESULTADOS FINALES 125 4.6.1 VENTAJAS DE UTILIZAR STREAMLIT: .................................................. 126 4.6.2 OBJETIVO DEL DESPLIEGUE ................................................................... 126 4.6.3 UBICACIÓN DEL DESPLIEGUE DENTRO DE LA METODOLOGÍA CRISP-DM .................................................................................................................. 126 4.6.4 ARQUITECTURA DE LA SOLUCIÓN DE DESPLIEGUE ........................ 127 5 CONCLUSIONES ...................................................................................................... 138 6 RECOMENDACIONES ............................................................................................. 141 6.1.1 CONSOLIDACIÓN DEL FLUJO DE DATOS Y SOSTENIBILIDAD ANALÍTICA ............................................................................................................... 141 6.1.2 INTEGRACIÓN DE LA ANALÍTICA EN LA GESTIÓN BIBLIOTECARIA 141 6.1.3 EVOLUCIÓN DEL SISTEMA HACIA ANALÍTICA OPERATIVA .......... 141 REFERENCIAS………………………………………………………………………. 143 APÉNDICES……………………………………………………………………………145spa
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/20.500.12749/33633
dc.language.isospaspa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.publisher.programMaestría en Ciencia de Datosspa
dc.publisher.programidMCD-3070
dc.relation.referencesEllis, D. (1993). Modelling the information-seeking patterns of academic researchers: A grounded theory approach. The Library Quarterly, 63(4), 469-486. doi:10.1086/602622spa
dc.relation.referencesLiu, Y. (2015). Application of data mining in university library reader service. Library Management, 36(1/2), 92-104. doi:10.1108/LM-06-2014-0074spa
dc.relation.referencesLiu, Z. (2015). Application of data mining in the field of university libraries for book borrowing services. Informatica, 48(19). doi:10.31449/inf.v48i19.6039spa
dc.relation.referencesMinisterio de Educación Nacional de Colombia. (s.f.). Plan Nacional de Lectura y Escritura: Leer es mi cuento. Obtenido de Ministerio de Educación Nacional de Colombia: https://www.mineducacion.gov.cospa
dc.relation.referencesMorato, J., Sánchez-Cuadrado, S., Fraga, A., & Llorens, J. (2013). Bibliomining: Data mining for library decision making. Program: Electronic Library and Information Systems, 47(2), 212-233.spa
dc.relation.referencesNicholson, S. (2006). The basis for bibliomining: Frameworks for bringing together usage-based data mining and bibliometrics through data warehousing in digital library services. Information Processing & Management, 42(3), 785-804. doi:10.1016/j.ipm.2005.10.009spa
dc.relation.referencesOgihara, M., Renaud, J., Britton, S., & Wang, D. (2015). Mining library and university data to understand library use patterns. The Electronic Library, 33(3), 355-372. doi:10.1108/EL-07-2013-0136spa
dc.relation.referencesRenaud, K., Ramsay, J., & Hair, M. (2015). You are what you read: An analysis of the relationship between academic performance and library usage. Journal of Librarianship and Information Science, 47(3), 189-199. doi:10.1177/0961000614527961spa
dc.relation.referencesRosiana, L., & Yuadi, I. (2025). K Means clustering untuk analisis tren peminjaman buku di perpustakaan. Journal of Technology and Informatics, 7(1), 1-10. doi:10.37802/joti.v7i1.933spa
dc.relation.referencesSigit, R., Prabowo, R., & Prastyo, D. (2024). The application of K-Means clustering algorithm in analyzing book borrowing patterns in libraries. Indonesian Journal of Computer Science, 13(5), 1-15. doi:10.33022/ijcs.v13i5.4317spa
dc.relation.referencesSilwattananusarn, T., & Kulkanjanapiban, P. (2020). Mining and analyzing patron’s book loan data and university data to understand library use patterns. International Journal of Information Science and Management, 18(2), 151-172spa
dc.relation.referencesSilwattananusarn, T., & Kulkanjanapiban, P. (2020). Mining and analyzing patron’s book-loan data and university data to understand library use patterns. arXiv. Obtenido de https://arxiv.org/abs/2008.03545spa
dc.relation.referencesSilwattananusarn, T., & Kulkanjanapiban, P. (2020). Mining and Analyzing Patron’s Book-Loan Data and University Data to Understand Library Use Patterns. International Journal of Information Science and Management, 18(2), 151-172.spa
dc.relation.referencesSilwattananusarn, T., & Kulkanjanapiban, R. (2020). Application of data mining techniques in library and information science: A review. The Electronic Library, 38(4), 825-841. doi:https://doi.org/10.1108/EL-11-2019-0261spa
dc.relation.referencesTanjung, M., & Sriani, S. (2025). Clustering library loan books using K-Means clustering. Journal of Information Systems and Informatics, 7(1), 889-908. doi:10.51519/journalisi.v7i1.1037spa
dc.relation.referencesTenopir, C., Volentine, R., & King, D. (2012). Scholarly reading and the value of academic library collections: Results of a study in six UK universities. Insights, 25(2), 130-150. doi:10.1629/2048-7754.25.2.130spa
dc.relation.referencesTenopir, C., Volentine, R., & King, D. (2016). Scholarly reading and the value of academic library collections: Results of a study in six universities. Aslib Journal of Information Management, 68(5), 545-561. doi:10.1108/AJIM-02-2016-0024spa
dc.relation.referencesUlfah, M., & Yuadi, I. (2022). Implementation of data mining clustering using the K-Medoids method in grouping library books. Jurnal Ecotipe (Electronic, Control, Telecommunication, Information, and Power Engineering), 9(2), 183-191. doi:10.33019/jurnalecotipe.v9i2.3327spa
dc.relation.referencesUNESCO. (2021). Futures of education: A new social contract for education. UNESCO. Obtenido de https://unesdoc.unesco.org/ark:/48223/pf0000379707spa
dc.relation.referencesWilson, T. (1981). On user studies and information needs. Journal of Documentation, 37(1), 3-15. doi:10.1108/eb026702spa
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.keywordsData sciencespa
dc.subject.keywordsUser segmentationspa
dc.subject.keywordsLibrary behaviorspa
dc.subject.keywordsUnsupervised learningspa
dc.subject.keywordsData miningspa
dc.subject.keywordsUniversity librariesspa
dc.subject.keywordsDecision-makingspa
dc.subject.keywordsAttribute approach (Data mining)spa
dc.subject.keywordsSoftware engineeringspa
dc.subject.keywordsElectronic data processingspa
dc.subject.keywordsDatabase administrationspa
dc.subject.keywordsTheory of machinesspa
dc.subject.keywordsConjoint learning (Machine learning)spa
dc.subject.lembEnfoque de atributos (Minería de datos)spa
dc.subject.lembIngeniería de softwarespa
dc.subject.lembProcesamiento electrónico de datosspa
dc.subject.lembAdministración de bases de datosspa
dc.subject.lembTeoría de las máquinasspa
dc.subject.lembAprendizaje conjunto (Aprendizaje automático)spa
dc.subject.proposalCiencia de datosspa
dc.subject.proposalSegmentación de usuariosspa
dc.subject.proposalComportamiento bibliotecariospa
dc.subject.proposalAprendizaje no supervisadospa
dc.subject.proposalMinería de datosspa
dc.subject.proposalBibliotecas universitariasspa
dc.subject.proposalToma de decisionesspa
dc.titleModelo de segmentación de usuarios y análisis del comportamiento bibliotecario en entornos universitarios mediante la ciencia de datos para la toma de decisiones informadasspa
dc.title.translatedUser Segmentation Model and Analysis of Library Behavior in University Environments through Data Science for Informed Decision-Making.spa
dc.typeThesiseng
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/masterThesisspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersionspa
dc.type.localTesisspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TM

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
Documento de Proyecto Tercera Entrega - 18022026.pdf
Tamaño:
2.78 MB
Formato:
Adobe Portable Document Format
Descripción:
Tesis
Descargar
Miniatura
Nombre:
Licencia.pdf
Tamaño:
736.76 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 Ciencia de Datos (Modalidad Virtual)