Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin.
Este documento es el informe final del trabajo de grado en la modalidad de análisis sistemático de literatura, requisito para obtener el título de ingeniería de sistemas de la Universidad Cooperativa de Colombia, sede Villavicencio, este informe da por concluido el trabajo de grado y sirve de insumo...
- Autores:
-
Rubiano Rodríguez, Sergio Andrés
Vega Figueroa, Juan Camilo
Escobar Canizales, Cristian Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad Cooperativa de Colombia
- Repositorio:
- Repositorio UCC
- Idioma:
- OAI Identifier:
- oai:repository.ucc.edu.co:20.500.12494/28567
- Acceso en línea:
- https://hdl.handle.net/20.500.12494/28567
- Palabra clave:
- Machine Learning
Big Data
Data Science
Data Analytics
TG 2020 ISI 28567
- Rights
- openAccess
- License
- Atribución – No comercial
| id |
COOPER2_6bb84bdd89c24358f321e190e2ecbd34 |
|---|---|
| oai_identifier_str |
oai:repository.ucc.edu.co:20.500.12494/28567 |
| network_acronym_str |
COOPER2 |
| network_name_str |
Repositorio UCC |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. |
| title |
Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. |
| spellingShingle |
Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. Machine Learning Big Data Data Science Data Analytics TG 2020 ISI 28567 |
| title_short |
Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. |
| title_full |
Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. |
| title_fullStr |
Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. |
| title_full_unstemmed |
Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. |
| title_sort |
Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. |
| dc.creator.fl_str_mv |
Rubiano Rodríguez, Sergio Andrés Vega Figueroa, Juan Camilo Escobar Canizales, Cristian Andrés |
| dc.contributor.advisor.none.fl_str_mv |
Guzmán Paredes, Yomaira Alarcón Bermúdez, Raúl Patiño Martínez, Francy Yaneth |
| dc.contributor.author.none.fl_str_mv |
Rubiano Rodríguez, Sergio Andrés Vega Figueroa, Juan Camilo Escobar Canizales, Cristian Andrés |
| dc.subject.spa.fl_str_mv |
Machine Learning Big Data Data Science Data Analytics |
| topic |
Machine Learning Big Data Data Science Data Analytics TG 2020 ISI 28567 |
| dc.subject.classification.spa.fl_str_mv |
TG 2020 ISI 28567 |
| description |
Este documento es el informe final del trabajo de grado en la modalidad de análisis sistemático de literatura, requisito para obtener el título de ingeniería de sistemas de la Universidad Cooperativa de Colombia, sede Villavicencio, este informe da por concluido el trabajo de grado y sirve de insumo al proceso investigativo. El objetivo de la investigación es el análisis de accidentalidad durante los periodos 2018 y 2019 que se presentaron en la ciudad de Medellín. Describir y demostrar el impacto que genera el análisis de datos, encontrando patrones y correlaciones entre los datos y brindando soluciones a los mismos, a su vez se plantea algoritmos de Machine Learning para detectar futuros eventos clasificando los tipos de accidentes que le pueden ocurrir a los ciudadanos, de tal manera se desarrolla un panel de control (Dashboard) en el cual se están monitoreando las distintas variables que causan los hechos. |
| publishDate |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2020-12-16T18:37:34Z |
| dc.date.available.none.fl_str_mv |
2020-12-16T18:37:34Z |
| dc.date.issued.none.fl_str_mv |
2020-12-13 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12494/28567 |
| dc.identifier.bibliographicCitation.spa.fl_str_mv |
Rubiano Rodriguez, S. A., Vega Figueroa, J.C. y Escobar, C.A. (2020). Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. [Tesis de pregrado, Universidad Cooperativa de Colombia]. Repositorio Institucional UCC. http://hdl.handle.net/20.500.12494/28567 |
| url |
https://hdl.handle.net/20.500.12494/28567 |
| identifier_str_mv |
Rubiano Rodriguez, S. A., Vega Figueroa, J.C. y Escobar, C.A. (2020). Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. [Tesis de pregrado, Universidad Cooperativa de Colombia]. Repositorio Institucional UCC. http://hdl.handle.net/20.500.12494/28567 |
| dc.relation.references.spa.fl_str_mv |
Accidentes en Medellín. (2020). Accidentes en Medellín. https://www.arcgis.com/home/item.html?id=1b8ba8aeffe44606af0631b2bfed14dd Alarcón, C. (2015). OPTIMIZACIÓN DEL CLASIFICADOR “NAIVE BAYES” USANDO ÁRBOL DE DECISIÓN C4.5. ore.ac.uk. https://core.ac.uk/download/pdf/323343447.pdf Albon, C. (2017, 20 diciembre). Random Forest Classifier Example. chrisalbon. https://chrisalbon.com/machine_learning/trees_and_forests/random_forest_classifier_exa mple/ Alcaldia de Medellín. (2002). Incidentes georreferenciados 2018. Alcaldía de Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/incidentes-georreferenciad os-2018 Alcaldía de Medellín. (2013). Tránsito y transporte. https://www.Medellín.gov.co/movilidad/transito-transporte Alcaldía de Medellín. (2020). Atractivos turísticos. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/atractivos-tur%C3%ADsti cos?geometry=-76.902%2C6.027%2C-74.286%2C6.505 Alcaldía de Medellín. (2020). Cámaras ARS - SIMM. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/camaras-ars-simm?geomet ry=-75.910%2C6.179%2C-75.256%2C6.298 Alcaldía de Medellín. (2020). Cámaras CCTV Movilidad -SIMM. Alcaldía de Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/camaras-cctv-movilidad-si mm Alcaldía de Medellín. (2020). Cámaras Fotodetección - FDT - SIMM. Alcaldía de Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/camaras-fotodeteccion-fdtsimm?geometry=-75.923%2C6.184%2C-75.269%2C6.303 Alcaldía de Medellín. (2020). Incidentes georreferenciados 2019. Alcaldía de Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/incidentes-georreferenciad os-2019?geometry=-76.243%2C6.128%2C-74.935%2C6.367 Alcaldía de Medellín. (2020). Semaforización. Secretaría de Movilidad de Medellín. https://www.Medellín.gov.co/movilidad/transito-transporte/semaforizacion ArcGIS. (2001). Qué es ArcGIS Online—Ayuda de ArcGIS Online | Documentación. https://doc.arcgis.com/es/arcgis-online/get-started/what-is-agol.htm#:%7E:text=ArcGIS %20Online%20is%20a%20cloud,and%20to%20share%20and%20collaborate.text=Your %20data%20and%20maps%20are,your%20mapping%20and%20IT%20requirements Brownlee, J. (2020, 27 agosto). Random Oversampling and Undersampling for Imbalanced Classification. Machine Learning Mastery. https://machinelearningmastery.com/random-oversampling-and-undersampling-for-imbal anced-classification/ Elena Gervilla, Rafael Jiménez, Juan José Montaño. (2019, febrero). La metodología del Data Mining. Una aplicación al consumo de alcohol en adolescentes. researchgate. https://www.researchgate.net/publication/277272125_La_metodologia_del_Data_Mining _Una_aplicacion_al_consumo_de_alcohol_en_adolescente europapress. (2010, 8 mayo). Desarrollan un sistema inteligente para evitar accidentes de tráfico. 82 https://www.europapress.es/portaltic/sector/noticia-desarrollan-sistema-inteligente-evitaraccidentes-trafico-20100508111353.html Goris, A. S. G. J. (2015, enero). Utilidad y tipos de revisión de literatura. scielo.isciii. http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1988-348X2015000200002 GTD. (2009, 18 septiembre). Un software inteligente es capaz de evitar accidentes de tráfico | GTD Blog. System & Software Engineering. https://www.gtd.es/en/blog/un-software-inteligente-es-capaz-de-evitar-accidentes-de-trafi co hackerearth. (2018, 10 mayo). Decision Tree Tutorials & Notes | Machine Learning. HackerEarth. https://www.hackerearth.com/practice/machine-learning/machine-learning-algorithms/ml -decision-tree/tutorial/ Manterola, C. (2013, 1 marzo). Revisiones sistemáticas de la literatura. Qué se debe saber acerca de ellas | Cirugía Española. elsevier. https://www.elsevier.es/es-revista-cirugia-espanola-36-articulo-revisiones-sistematicas-lit eratura-que-se-S0009739X11003307#:%7E:text=Una%20revisi%C3%B3n%20sistem% C3%A1tica%20(RS)%2C,de%20un%20tema%20en%20particular Medellín. (2013). Medellín. https://www.Medellín.gov.co/movilidad/documents/seccion_senalizacion/cap1_aspectos_ grales_senalizacion.pdf Medellín. (2020). OpenData Alcaldía de Medellín. Geo Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/search?categories=movilidad Medellín. (2020, octubre 29). Halloween en Cundinamarca ¿Qué municipios tienen toque de queda? Colombia. https://www.colombia.com/actualidad/codigos-leyes/codigo-de-transito/ Ministerio de transporte. (2020). Plan general de seguridad vial. Movilidad Segura. https://movilidadsegura.transporte.gob.ar/media/PlanSeguridadVial.pdf Python Software Foundation. (2001). What is Python? Executive Summary. Python.org. https://www.python.org/doc/essays/blurb/ SAS. (2019). ¿Qué es deep learning? https://www.sas.com/es_co/insights/analytics/deep-learning.html Scikit learn. (2007). Elegir el estimador correcto. https://scikit-learn.org/stable/tutorial/machine_learning_map/index.html Scikit-learn. (2010). Herramientas simples y eficientes para el análisis de datos predictivos. https://scikit-learn.org/ Timarán Pereira, S. R., Hernández Arteaga, I., Caicedo Zambrano, S. J., & Hidalgo Troya, A. (2020). Descubrimiento de patrones de desempeño académico | Ediciones Universidad Cooperativa de Colombia. doi. https://ediciones.ucc.edu.co/index.php/ucc/catalog/book/36 Tom M. Mitchell. (2018, 10 mayo). Decision Tree Tutorials & Notes | Machine Learning. HackerEarth. https://www.hackerearth.com/practice/machine-learning/machine-learning-algorithms/ml -decision-tree/tutorial/ Valero, J. (2016, 4 abril). 11 tecnologías actuales para evitar accidentes en carretera. Hipertextual. https://hipertextual.com/presentado-por/ford/tecnologia-ford-evitar-accidentes Zhongheng ZhangAutor. (2016, 4 mayo). Introducción al aprendizaje automático: k vecinos más cercanos. ncbi. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4916348/ |
| dc.rights.license.none.fl_str_mv |
Atribución – No comercial |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución – No comercial http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
84 p. |
| dc.publisher.spa.fl_str_mv |
Universidad Cooperativa de Colombia, Facultad de Ingenierías, Ingeniería de Sistemas, Villavicencio |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería de Sistemas |
| dc.publisher.place.spa.fl_str_mv |
Villavicencio |
| institution |
Universidad Cooperativa de Colombia |
| bitstream.url.fl_str_mv |
https://repository.ucc.edu.co/bitstreams/c5a9bd65-4154-4cd9-b0e9-e071d47eae0e/download https://repository.ucc.edu.co/bitstreams/d5e11c32-fc41-430a-9556-b327961ad226/download https://repository.ucc.edu.co/bitstreams/35f6cd0a-4e27-41c5-a2c8-98a248830737/download https://repository.ucc.edu.co/bitstreams/5e0a608d-0202-4ade-b873-5051fc6b1cd8/download https://repository.ucc.edu.co/bitstreams/a272ac76-880e-44c8-bc1f-f204625d2214/download https://repository.ucc.edu.co/bitstreams/1af33a6e-91d0-41a1-a0c5-f4c1ef037b66/download https://repository.ucc.edu.co/bitstreams/de6fbb73-4681-4942-9faa-c6af01576306/download |
| bitstream.checksum.fl_str_mv |
3bce4f7ab09dfc588f126e1e36e98a45 cbdc728dc6009814f968b7b781cb4be6 456e94bf3c38694fec07c8d97897bd22 37d52d9ae77b687fd3a0ee1a96ccff62 bf0f1c2bd206b2361470fb6646625817 eae4d2ae00ce3e20580033438eb28edb 8818ced73e98e77274ef75b5cd73a2e4 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Cooperativa de Colombia |
| repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
| _version_ |
1814246994933186560 |
| spelling |
Guzmán Paredes, YomairaAlarcón Bermúdez, RaúlPatiño Martínez, Francy YanethRubiano Rodríguez, Sergio AndrésVega Figueroa, Juan CamiloEscobar Canizales, Cristian Andrés2020-12-16T18:37:34Z2020-12-16T18:37:34Z2020-12-13https://hdl.handle.net/20.500.12494/28567Rubiano Rodriguez, S. A., Vega Figueroa, J.C. y Escobar, C.A. (2020). Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin. [Tesis de pregrado, Universidad Cooperativa de Colombia]. Repositorio Institucional UCC. http://hdl.handle.net/20.500.12494/28567Este documento es el informe final del trabajo de grado en la modalidad de análisis sistemático de literatura, requisito para obtener el título de ingeniería de sistemas de la Universidad Cooperativa de Colombia, sede Villavicencio, este informe da por concluido el trabajo de grado y sirve de insumo al proceso investigativo. El objetivo de la investigación es el análisis de accidentalidad durante los periodos 2018 y 2019 que se presentaron en la ciudad de Medellín. Describir y demostrar el impacto que genera el análisis de datos, encontrando patrones y correlaciones entre los datos y brindando soluciones a los mismos, a su vez se plantea algoritmos de Machine Learning para detectar futuros eventos clasificando los tipos de accidentes que le pueden ocurrir a los ciudadanos, de tal manera se desarrolla un panel de control (Dashboard) en el cual se están monitoreando las distintas variables que causan los hechos.This document is the final report of the degree work in the modality of systematic literature analysis, a requirement to obtain the degree in systems engineering from the Universidad Cooperativa de Colombia, Villavicencio headquarters, this report concludes the degree work and serves as input to the investigative process. The objective of the research is the accident rate analysis during the 2018 and 2019 periods that occurred in the city of Medellin. Describe and demonstrate the impact generated by data analysis, finding patterns and correlations between the data and providing solutions to them, in turn, machine learning algorithms are proposed to detect future events, classifying the types of accidents that can occur to the citizens, in such a way a control panel (Dashboard) is developed in which the different variables that cause the events are being monitored.1. Definición del tema. -- 2. Modalidad de grado. -- 3. Descripción del problema. -- 4. Objetivos -- 5. Justificación. -- 6. Antecedentes. -- 7. Estado del arte. -- 8. Marco teórico. -- 9. Diseño metodológico. -- 10. Implementación de la metodología. -- 11. Área de trabajo. -- 12. Resultados. -- 13. Principios de diseño de Features. -- 14. Ensambles. -- 15. Capas de visualización. -- 16. Análisis y discusión.sergio.rubianor@campusucc.edu.co84 p.Universidad Cooperativa de Colombia, Facultad de Ingenierías, Ingeniería de Sistemas, VillavicencioIngeniería de SistemasVillavicencioMachine LearningBig DataData ScienceData AnalyticsTG 2020 ISI 28567Modelo Big Data, aplicando análisis de datos y algoritmos predictivos, basado en la inteligencia computacional, para predecir la probabilidad de los accidentes de tránsito en la ciudad de Medellin.Trabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionAtribución – No comercialinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Accidentes en Medellín. (2020). Accidentes en Medellín. https://www.arcgis.com/home/item.html?id=1b8ba8aeffe44606af0631b2bfed14ddAlarcón, C. (2015). OPTIMIZACIÓN DEL CLASIFICADOR “NAIVE BAYES” USANDO ÁRBOL DE DECISIÓN C4.5. ore.ac.uk. https://core.ac.uk/download/pdf/323343447.pdfAlbon, C. (2017, 20 diciembre). Random Forest Classifier Example. chrisalbon. https://chrisalbon.com/machine_learning/trees_and_forests/random_forest_classifier_exa mple/Alcaldia de Medellín. (2002). Incidentes georreferenciados 2018. Alcaldía de Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/incidentes-georreferenciad os-2018Alcaldía de Medellín. (2013). Tránsito y transporte. https://www.Medellín.gov.co/movilidad/transito-transporteAlcaldía de Medellín. (2020). Atractivos turísticos. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/atractivos-tur%C3%ADsti cos?geometry=-76.902%2C6.027%2C-74.286%2C6.505Alcaldía de Medellín. (2020). Cámaras ARS - SIMM. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/camaras-ars-simm?geomet ry=-75.910%2C6.179%2C-75.256%2C6.298Alcaldía de Medellín. (2020). Cámaras CCTV Movilidad -SIMM. Alcaldía de Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/camaras-cctv-movilidad-si mmAlcaldía de Medellín. (2020). Cámaras Fotodetección - FDT - SIMM. Alcaldía de Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/camaras-fotodeteccion-fdtsimm?geometry=-75.923%2C6.184%2C-75.269%2C6.303Alcaldía de Medellín. (2020). Incidentes georreferenciados 2019. Alcaldía de Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/datasets/incidentes-georreferenciad os-2019?geometry=-76.243%2C6.128%2C-74.935%2C6.367Alcaldía de Medellín. (2020). Semaforización. Secretaría de Movilidad de Medellín. https://www.Medellín.gov.co/movilidad/transito-transporte/semaforizacionArcGIS. (2001). Qué es ArcGIS Online—Ayuda de ArcGIS Online | Documentación. https://doc.arcgis.com/es/arcgis-online/get-started/what-is-agol.htm#:%7E:text=ArcGIS %20Online%20is%20a%20cloud,and%20to%20share%20and%20collaborate.text=Your %20data%20and%20maps%20are,your%20mapping%20and%20IT%20requirementsBrownlee, J. (2020, 27 agosto). Random Oversampling and Undersampling for Imbalanced Classification. Machine Learning Mastery. https://machinelearningmastery.com/random-oversampling-and-undersampling-for-imbal anced-classification/Elena Gervilla, Rafael Jiménez, Juan José Montaño. (2019, febrero). La metodología del Data Mining. Una aplicación al consumo de alcohol en adolescentes. researchgate. https://www.researchgate.net/publication/277272125_La_metodologia_del_Data_Mining _Una_aplicacion_al_consumo_de_alcohol_en_adolescenteeuropapress. (2010, 8 mayo). Desarrollan un sistema inteligente para evitar accidentes de tráfico. 82 https://www.europapress.es/portaltic/sector/noticia-desarrollan-sistema-inteligente-evitaraccidentes-trafico-20100508111353.htmlGoris, A. S. G. J. (2015, enero). Utilidad y tipos de revisión de literatura. scielo.isciii. http://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1988-348X2015000200002GTD. (2009, 18 septiembre). Un software inteligente es capaz de evitar accidentes de tráfico | GTD Blog. System & Software Engineering. https://www.gtd.es/en/blog/un-software-inteligente-es-capaz-de-evitar-accidentes-de-trafi cohackerearth. (2018, 10 mayo). Decision Tree Tutorials & Notes | Machine Learning. HackerEarth. https://www.hackerearth.com/practice/machine-learning/machine-learning-algorithms/ml -decision-tree/tutorial/Manterola, C. (2013, 1 marzo). Revisiones sistemáticas de la literatura. Qué se debe saber acerca de ellas | Cirugía Española. elsevier. https://www.elsevier.es/es-revista-cirugia-espanola-36-articulo-revisiones-sistematicas-lit eratura-que-se-S0009739X11003307#:%7E:text=Una%20revisi%C3%B3n%20sistem% C3%A1tica%20(RS)%2C,de%20un%20tema%20en%20particularMedellín. (2013). Medellín. https://www.Medellín.gov.co/movilidad/documents/seccion_senalizacion/cap1_aspectos_ grales_senalizacion.pdfMedellín. (2020). OpenData Alcaldía de Medellín. Geo Medellín. https://geoMedellín-m-Medellín.opendata.arcgis.com/search?categories=movilidadMedellín. (2020, octubre 29). Halloween en Cundinamarca ¿Qué municipios tienen toque de queda? Colombia. https://www.colombia.com/actualidad/codigos-leyes/codigo-de-transito/Ministerio de transporte. (2020). Plan general de seguridad vial. Movilidad Segura. https://movilidadsegura.transporte.gob.ar/media/PlanSeguridadVial.pdfPython Software Foundation. (2001). What is Python? Executive Summary. Python.org. https://www.python.org/doc/essays/blurb/SAS. (2019). ¿Qué es deep learning? https://www.sas.com/es_co/insights/analytics/deep-learning.htmlScikit learn. (2007). Elegir el estimador correcto. https://scikit-learn.org/stable/tutorial/machine_learning_map/index.htmlScikit-learn. (2010). Herramientas simples y eficientes para el análisis de datos predictivos. https://scikit-learn.org/Timarán Pereira, S. R., Hernández Arteaga, I., Caicedo Zambrano, S. J., & Hidalgo Troya, A. (2020). Descubrimiento de patrones de desempeño académico | Ediciones Universidad Cooperativa de Colombia. doi. https://ediciones.ucc.edu.co/index.php/ucc/catalog/book/36Tom M. Mitchell. (2018, 10 mayo). Decision Tree Tutorials & Notes | Machine Learning. HackerEarth. https://www.hackerearth.com/practice/machine-learning/machine-learning-algorithms/ml -decision-tree/tutorial/Valero, J. (2016, 4 abril). 11 tecnologías actuales para evitar accidentes en carretera. Hipertextual. https://hipertextual.com/presentado-por/ford/tecnologia-ford-evitar-accidentesZhongheng ZhangAutor. (2016, 4 mayo). Introducción al aprendizaje automático: k vecinos más cercanos. ncbi. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4916348/PublicationLICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/c5a9bd65-4154-4cd9-b0e9-e071d47eae0e/download3bce4f7ab09dfc588f126e1e36e98a45MD55ORIGINAL2020_Modelo_BigData_computacional.pdf2020_Modelo_BigData_computacional.pdfTrabajo de gradoapplication/pdf5800019https://repository.ucc.edu.co/bitstreams/d5e11c32-fc41-430a-9556-b327961ad226/downloadcbdc728dc6009814f968b7b781cb4be6MD542020_Modelo_BigData_computacional_licenciadeuso.pdf2020_Modelo_BigData_computacional_licenciadeuso.pdfLicencia de usoapplication/pdf249040https://repository.ucc.edu.co/bitstreams/35f6cd0a-4e27-41c5-a2c8-98a248830737/download456e94bf3c38694fec07c8d97897bd22MD53THUMBNAIL2020_Modelo_BigData_computacional.pdf.jpg2020_Modelo_BigData_computacional.pdf.jpgGenerated Thumbnailimage/jpeg2950https://repository.ucc.edu.co/bitstreams/5e0a608d-0202-4ade-b873-5051fc6b1cd8/download37d52d9ae77b687fd3a0ee1a96ccff62MD562020_Modelo_BigData_computacional_licenciadeuso.pdf.jpg2020_Modelo_BigData_computacional_licenciadeuso.pdf.jpgGenerated Thumbnailimage/jpeg4910https://repository.ucc.edu.co/bitstreams/a272ac76-880e-44c8-bc1f-f204625d2214/downloadbf0f1c2bd206b2361470fb6646625817MD57TEXT2020_Modelo_BigData_computacional.pdf.txt2020_Modelo_BigData_computacional.pdf.txtExtracted texttext/plain102201https://repository.ucc.edu.co/bitstreams/1af33a6e-91d0-41a1-a0c5-f4c1ef037b66/downloadeae4d2ae00ce3e20580033438eb28edbMD582020_Modelo_BigData_computacional_licenciadeuso.pdf.txt2020_Modelo_BigData_computacional_licenciadeuso.pdf.txtExtracted texttext/plain6668https://repository.ucc.edu.co/bitstreams/de6fbb73-4681-4942-9faa-c6af01576306/download8818ced73e98e77274ef75b5cd73a2e4MD5920.500.12494/28567oai:repository.ucc.edu.co:20.500.12494/285672024-08-10 22:19:14.624open.accesshttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.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 |