Viera Balanta, Víctor (Director)Jaramillo Lucumi, John LeyderLemus Asprilla, Geimar ShamirMosquera Donado, Luis David2026-06-022026-06-022026Jaramillo Lucumi, J. L., Lemus Asprilla, G. S., & Mosquera Donado, L. D. (2026). Análisis comparativo de las plataformas no-code Orange y KNIME para la clasificación de especies de pingüinos. Universidad Santiago de Cali.https://repositorio.usc.edu.co/handle/20.500.12421/9412El artículo presenta un estudio comparativo de las herramientas no-code Orange y KNIME, enfocadas en la construcción de modelos predictivos en su entorno, aplicados a la clasificación de especies de pingüinos con el Penguin Dataset como caso de estudio. Se presenta el crecimiento del enfoque no-code en el ámbito del machine learning, lo cual es notable para los entornos educativos y no especializados. Usando la metodología CRISP-DM, se describen las etapas que se llevan a cabo en las dos herramientas: desde la comprensión de los datos hasta la evaluación del modelo. La atención también está en los algoritmos de clasificación, la implementación de Random Forest. El trabajo compara la usabilidad, el tiempo de ejecución y los recursos que poseen las dos herramientas. Se verifica cómo cada entorno o herramienta facilita la construcción de flujo de trabajo sin programar. Este análisis tiene como objetivo servir como una guía metodológica y práctica para los estudiantes interesados en implementar técnicas de machine learning mediante herramientas no-code, así como colaborar en la democratización de la inteligencia artificial para su integración en los procesos de enseñanza-aprendizaje.This article presents a comparative study of the no-code tools Orange and KNIME, focused on building predictive models in their environment, applied to the classification of penguin species, using the Penguin Dataset as a case study. The growth of the no-code approach in machine learning is presented, which is notable for educational and non-specialized environments. Using the CRISP-DM methodology, the steps carried out in the two tools are described: from data understanding to model evaluation. Focus is also placed on the classification algorithms and the implementation of Random Forest. The paper compares the usability, runtime, and resources of the two tools. It verifies how each environment or tool facilitates the construction of workflows without programming. This analysis aims to serve as a methodological and practical guide for students and teachers interested in implementing machine learning techniques using no-code tools, as well as collaborating in the democratization of artificial intelligence for its integration into teaching and learning processes.application/pdf15 páginasesAprendizaje automáticoInteligencia artificialOrangeKNIMEThesisAcceso AbiertoReconocimiento 4.0 Internacional (CC BY 4.0Machine LearningArtificial Intelligence