Examinando por Materia "Machine Learning"

Seleccione resultados tecleando las primeras letras
Mostrando 1 - 2 de 2
  • PublicaciónAcceso abierto
    La Corrupción y su Impacto en el Crecimiento Económico Sostenible: Análisis de Datos y Big Data para la Identificación de Factores y Generación de un Modelo de Machine Learning
    (2023) Rodríguez, Danilo Esteban; Amórtegui, Jorge Humberto; Trujillo, Sandra Milena; Serrano León, Yeimmy Katherine; GIIS
    La lucha contra la corrupción debido a su impacto en los índices de desarrollo es esencial, con el Análisis de Datos y Big Data es posible identificar factores y generar un modelo de Machine Learning que aborda la relación entre corrupción y crecimiento económico sostenible. Para abordar esta problemática, se deben intervenir múltiples aspectos clave, como la obtención, el procesamiento y el análisis de los datos. El objetivo principal del estudio es identificar los factores que influyen en esta relación y generar un modelo predictivo que pueda brindar asesoramiento estratégico a organizaciones interesadas en mitigar los efectos de la corrupción en el desarrollo económico. La investigación se basa en un enfoque multidisciplinario y utiliza varias técnicas y herramientas, como la extracción y limpieza de datos, análisis estadísticos, minería de datos y modelos de regresión. Se recopilan datos de fuentes confiables y verificables, tales como informes gubernamentales y bases de datos internacionales. Los resultados muestran una fuerte correlación entre indicadores de gobernanza y el Producto Interno Bruto per cápita, lo que sugiere que mejoras en áreas como el control de la corrupción, la efectividad gubernamental, el estado de derecho y la voz ciudadana pueden tener un impacto positivo en el desarrollo económico. Por lo tanto, es fundamental abordar la corrupción y mejorar la gobernanza para promover un entorno propicio para el crecimiento económico y la prosperidad. Se proporcionan recomendaciones informadas, así como visualizaciones para facilitar la comprensión de los resultados.
  • PublicaciónRestringido
    Modelo predictivo para analizar los datos de la calidad del aire urbano, capturados por el RMCAB en la localidad de Chapinero
    (2017) Gonzales Peña, Susan Natalia; Garzón, Kevin Sneyder; Barrera, Edgar Julián; Rojas Hincapie, Cristian Camilo; Roldan, Raúl
    La investigación que se aborda en este trabajo va orientada como primera medida a la construcción de un conjunto de datos usando la captura de información de los RMCAB e índice de calidad del aire bogotano (IBOCA) producto de la recopilación desde el año 2016, de la monitorización de la estación del Sistemas de Vigilancia de calidad de aire de Chapinero; teniendo en cuenta este conjunto de datos, se busca entrenar y validar un modelo predictivo, mediante la utilización de técnicas de machine learning, que estime el índice de calidad del aire de un mes próximo, utilizando diferentes técnicas de minería de datos. Se comparan resultados mediante la utilización de método de auto regresión lineal, encontrando que las que las partículas tienen un patrón de comportamiento similar en diferentes momentos del año, pero en ciertas épocas existen picos de contaminación en los primeros capítulos se aborda el tema desde la parte documental en la cual se puede encontrar contenido de soporte para realizar el estudio para posterior mente entrar en el método de investigación en el cual se puede encontrar datos estadísticos, modelos matemáticos y datos de cómo funcionan los métodos de predicción estadística, para luego entrar en materia de como analizar la data para el entrenamiento del modelo y en el último apartado se habla sobre cómo utilizar las series de tiempo para predicciones estadísticas y de los resultados obtenidos de acuerdo al contaminantes PM2,5 en la localidad de chapinero y de si este puede o no afectar la salud de los habitantes en un periodo de 30 días después de la toma de la muestra.