Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano
La desigualdad y el desarrollo humano son dos aspectos sociales que han perdurado a lo largo del tiempo, captando el inter´es de naciones y diversos organismos internacionales en la medición del progreso y desarrollo de la humanidad. La Organización de las Naciones Unidas, como entidad de cooperació...
- Autores:
-
Rivera Gómez, Fredy Alexander
- Tipo de recurso:
- Masters Thesis
- Fecha de publicación:
- 2023
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/53659
- Acceso en línea:
- http://hdl.handle.net/11634/53659
- Palabra clave:
- Classification
FGLM
FGSAM
FGKAM
FPCA
Time Series
Functional Data
Functional Machine Learning
Human Development
Functional Principal Component Analysis
Estadística
Estadística Aplicada
Datos Estadísticos
Clasificación
Machine learning funcional
FGLM
FGSAM
FGKAM
ACPF
Series De Tiempo
Datos Funcionales
Desarrollo Humano
Análisis De Componentes Principales Funcionales
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
SANTOTOMAS_bbf5fc441f383f19d2a338e82a7211f8 |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/53659 |
| network_acronym_str |
SANTOTOMAS |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano |
| title |
Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano |
| spellingShingle |
Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano Classification FGLM FGSAM FGKAM FPCA Time Series Functional Data Functional Machine Learning Human Development Functional Principal Component Analysis Estadística Estadística Aplicada Datos Estadísticos Clasificación Machine learning funcional FGLM FGSAM FGKAM ACPF Series De Tiempo Datos Funcionales Desarrollo Humano Análisis De Componentes Principales Funcionales |
| title_short |
Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano |
| title_full |
Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano |
| title_fullStr |
Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano |
| title_full_unstemmed |
Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano |
| title_sort |
Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano |
| dc.creator.fl_str_mv |
Rivera Gómez, Fredy Alexander |
| dc.contributor.advisor.none.fl_str_mv |
Pineda Rios, Wilmer |
| dc.contributor.author.none.fl_str_mv |
Rivera Gómez, Fredy Alexander |
| dc.contributor.orcid.spa.fl_str_mv |
https://orcid.org/0000-0001-7774-951X |
| dc.contributor.googlescholar.spa.fl_str_mv |
https://scholar.google.com/citations?hl=es&user=5KmOl5oAAAAJ |
| dc.contributor.cvlac.spa.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001454199 |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.keyword.spa.fl_str_mv |
Classification FGLM FGSAM FGKAM FPCA Time Series Functional Data Functional Machine Learning Human Development Functional Principal Component Analysis |
| topic |
Classification FGLM FGSAM FGKAM FPCA Time Series Functional Data Functional Machine Learning Human Development Functional Principal Component Analysis Estadística Estadística Aplicada Datos Estadísticos Clasificación Machine learning funcional FGLM FGSAM FGKAM ACPF Series De Tiempo Datos Funcionales Desarrollo Humano Análisis De Componentes Principales Funcionales |
| dc.subject.lemb.spa.fl_str_mv |
Estadística Estadística Aplicada Datos Estadísticos |
| dc.subject.proposal.spa.fl_str_mv |
Clasificación Machine learning funcional FGLM FGSAM FGKAM ACPF Series De Tiempo Datos Funcionales Desarrollo Humano Análisis De Componentes Principales Funcionales |
| description |
La desigualdad y el desarrollo humano son dos aspectos sociales que han perdurado a lo largo del tiempo, captando el inter´es de naciones y diversos organismos internacionales en la medición del progreso y desarrollo de la humanidad. La Organización de las Naciones Unidas, como entidad de cooperación internacional dedicada al diseño soluciones integrales para asegurar el desarrollo responsable de las naciones, estableció en 1990 el Índice de Desarrollo Humano (IDH), a través del Programa de las Naciones Unidas para el Desarrollo (PNUD). Este índice se erige como un instrumento para evaluar el avance de la humanidad. En este trabajo se desarrolla lo necesario para llevar a cabo la aplicación de la técnica de clasificación estadistica con datos funcionales orientada a caracterizar funciones de datos del Índice de desarrollo humano y evaluar la eficiencia de esta técnica, aplicando diversos modelos de clasificación bajo este enfoque; empleando el entorno R y algunos de los paquetes disponibles en la actualidad fda.usc (Febrero-Bande and Oviedo de la Fuente, 2012), classiFunc (Maierhofer and Pfisterer, 2017), entre otros. |
| publishDate |
2023 |
| dc.date.issued.none.fl_str_mv |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2024-01-23T15:06:08Z |
| dc.date.available.none.fl_str_mv |
2024-01-23T15:06:08Z |
| dc.type.local.spa.fl_str_mv |
Tesis de maestría |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_bdcc |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
http://purl.org/coar/resource_type/c_bdcc |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Rivera Gómez, F. A. (2023). Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano. [Trabajo de Maestría, Universidad Santo Tomás]. Repositorio Institucional. |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/53659 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Rivera Gómez, F. A. (2023). Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano. [Trabajo de Maestría, Universidad Santo Tomás]. Repositorio Institucional. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/53659 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Akinbobola, T. O. and Saibu, M. O. O. (2004). Income inequality, unemployment, and poverty in nigeria: a vector autoregressive approach. The Journal of Policy Reform, 7(3):175– 183. Bagnall, A., Lines, J., Bostrom, A., Large, J., and Keogh, E. (2017). The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data mining and knowledge discovery, 31(3):606–660. Bagnall, A., Lines, J., Hills, J., and Bostrom, A. (2015). Time-series classification with cote: The collective of transformation-based ensembles. IEEE Transactions on Knowledge and Data Engineering, 27(9):2522–2535. Buhlmann, P. and Hothorn, T. (2007). Boosting algorithms: Regularization, prediction and model fitting. de Boor, C. (1978). A Practical Guide to Spline, volume Volume 27. de las naciones unidas, O. (2021). Población. Deprez, P., Shevchenko, P. V., and W¨uthrich, M. V. (2017). Machine learning techniques for mortality modeling. European Actuarial Journal, 7(2):337–352. DEVBAY. (2020). Time series classification – an overview. Faouzi, J. (2022). Time series classification: A review of algorithms and implementations. Machine Learning (Emerging Trends and Applications). Febrero-Bande, M. and Gonz˜alez-Manteiga, W. (2011). Generalized Additive Models for Functional Data, volume 22, pages 91–96. Febrero-Bande, M. and Oviedo de la Fuente, M. (2012). Statistical computing in functional data analysis: The R package fda.usc. Journal of Statistical Software, 51(4):1–28. Golovkine, S. (2021). M´ethodes statistiques pour donn´ees fonctionnelles multivari´ees. PhD thesis. Grenander, U. (1950). Stochastic processes and statistical inference. Arkiv f¨or matematik, 1(3):195–277. Hernández-Sampieri, R. and Torres, C. P. M. (2018). Metodología de la investigación, volume 4. McGraw-Hill Interamericana Méxicoˆ eD. F DF. Hyndman, R. J. and Booth, H. (2008). Stochastic population forecasts using functional data models for mortality, fertility and migration. International Journal of Forecasting, 24(3):323–342. Hyndman, R. J. and Shang, H. L. (2009). Forecasting functional time series. Journal of the Korean Statistical Society, 38(3):199–211. Khan, Y. A., Abbas, S. Z., and Truong, B.-C. (2020). Machine learning-based mortality rate prediction using optimized hyper-parameter. Computer Methods and Programs in Biomedicine, 197:105704. Kokoszka, P. and Reimherr, M. (2017). Introduction to functional data analysis. Chapman and Hall/CRC. Lee, R. (2000). The lee-carter method for forecasting mortality, with various extensions and applications. North American actuarial journal, 4(1):80–91. Lee, R. D. and Carter, L. R. (1992). Modeling and forecasting u.s. mortality. Journal of the American Statistical Association, 87(419):659–671. López, J. F. (2019). Guía para calcular e interpretar el IDH. Maierhofer, T. and Pfisterer, F. (2017). Classifunc: classification of functional data. R package version 0.1. 0, URL https://CRAN. R-project. org/package= classiFunc. Mark, R. (2018). Python implementation of KNN and DTW classification algorithm. Medina, F. (2001). Consideraciones sobre el índice de gini. Technical report, Naciones unidas. Moller, A., Tutz, G., and Gertheiss, J. (2016). Random forests for functional covariates. Journal of Chemometrics, 30(12):715–725. Mundial, B. (2021). Esperanza de vida al nacer, total (años). Mundial, G. B. (2023). Datos de libre acceso del banco mundial. Pfisterer, F., Beggel, L., Sun, X., Scheipl, F., and Bischl, B. (2019). Benchmarking time series classification–functional data vs machine learning approaches. arXiv preprint ar- Xiv:1911.07511. PNUD (2019). Informe sobre desarrollo humano 2019. Technical report, Programa de las Naciones Unidas para el Desarrollo. PNUD (2020). Informe sobre desarrollo humano 2020. Technical report, Programa de las Naciones Unidas para el Desarrollo. Programme, U. N. D. (2023). HUMAN DEVELOPMENT DATA. Ramsay, J. O. (1982). When the data are functions. Psychometrika, 47(4):379–396. Ramsay, J. O. and Silverman, B. W. (2005). Functional data analysis. Springer Series in Statistics, New York: Springer Verlag. Rao, C. R. (1958). Some statistical methods for comparison of growth curves. Biometrics, 14(1):1–17. RCODER. (2023). Listas en R. Rossi, F. and Villa, N. (2006). Support vector machine for functional data classification. Neurocomputing, 69(7):730–742. New Issues in Neurocomputing: 13th European Symposium on Artificial Neural Networks. Shang, H. L. (2015). Statistically tested comparisons of the accuracy of forecasting methods for age-specific and sex-specific mortality and life expectancy. Population Studies, 69(3):317–335. Shang, H. L. (2016). Mortality and life expectancy forecasting for a group of populations in developed countries: a multilevel functional data method. The Annals of Applied Statistics, 10(3):1639–1672. Shang, H. L., Smith, P. W., Bijak, J., and Wisniowski, A. (2013). A functional data analysis approach for forecasting population: a case study for the united kingdom. Swamynathan, M. (2019). Mastering machine learning with python in six steps: A practical implementation guide to predictive data analytics using python. Apress. Wang, J.-L., Chiou, J.-M., and Muller, H.-G. (2015). Review of functional data analysis. arXiv preprint arXiv:1507.05135. |
| dc.rights.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Maestría Estadística Aplicada |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Estadística |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/53659/5/license.txt https://repository.usta.edu.co/bitstream/11634/53659/1/2023fredyrivera.pdf https://repository.usta.edu.co/bitstream/11634/53659/2/Fredy%20Alexander%20Rivera-CRAI.pdf https://repository.usta.edu.co/bitstream/11634/53659/3/Carta_autorizacion_autoarchivo_Fredy_Alexander_Rivera_G%c3%b3mez_2023.pdf https://repository.usta.edu.co/bitstream/11634/53659/4/license_rdf https://repository.usta.edu.co/bitstream/11634/53659/6/2023fredyrivera.pdf.jpg https://repository.usta.edu.co/bitstream/11634/53659/7/Fredy%20Alexander%20Rivera-CRAI.pdf.jpg https://repository.usta.edu.co/bitstream/11634/53659/8/Carta_autorizacion_autoarchivo_Fredy_Alexander_Rivera_G%c3%b3mez_2023.pdf.jpg |
| bitstream.checksum.fl_str_mv |
aedeaf396fcd827b537c73d23464fc27 2a33d20b0023967b13067a97c909f164 9d742f35b62bc86822d289f0432351db 76d540a463cb8199a40a0b5471088125 217700a34da79ed616c2feb68d4c5e06 deb39ae1511d9fe786c9ff29725441c4 c0d21d97393b2afe0c277679a23293a7 e77a760b3f626c4bc75d16d66d661d36 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
noreply@usta.edu.co |
| _version_ |
1800800457720856576 |
| spelling |
Pineda Rios, WilmerRivera Gómez, Fredy Alexanderhttps://orcid.org/0000-0001-7774-951Xhttps://scholar.google.com/citations?hl=es&user=5KmOl5oAAAAJhttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001454199Universidad Santo Tomás2024-01-23T15:06:08Z2024-01-23T15:06:08Z2023Rivera Gómez, F. A. (2023). Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano. [Trabajo de Maestría, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/53659reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coLa desigualdad y el desarrollo humano son dos aspectos sociales que han perdurado a lo largo del tiempo, captando el inter´es de naciones y diversos organismos internacionales en la medición del progreso y desarrollo de la humanidad. La Organización de las Naciones Unidas, como entidad de cooperación internacional dedicada al diseño soluciones integrales para asegurar el desarrollo responsable de las naciones, estableció en 1990 el Índice de Desarrollo Humano (IDH), a través del Programa de las Naciones Unidas para el Desarrollo (PNUD). Este índice se erige como un instrumento para evaluar el avance de la humanidad. En este trabajo se desarrolla lo necesario para llevar a cabo la aplicación de la técnica de clasificación estadistica con datos funcionales orientada a caracterizar funciones de datos del Índice de desarrollo humano y evaluar la eficiencia de esta técnica, aplicando diversos modelos de clasificación bajo este enfoque; empleando el entorno R y algunos de los paquetes disponibles en la actualidad fda.usc (Febrero-Bande and Oviedo de la Fuente, 2012), classiFunc (Maierhofer and Pfisterer, 2017), entre otros.Inequality and human development are two social aspects that have endured over time, capturing the interest of nations and various international organizations in measuring the progress and development of humanity. The United Nations Organization, as an international cooperation entity dedicated to designing comprehensive solutions to ensure the responsible development of nations, established the Human Development Index (HDI) in 1990, through the United Nations Development Program ( UNDP). This index stands as an instrument to evaluate the progress of humanity. In this work, what is necessary to carry out the application of statistical classification techniques with functional data is developed, in order to characterize data functions of the human development index and evaluate the efficiency of this technique under different classification models with this approach. For this, the R environment is used and the different packages currently available ‘fda.usc (Febrero-Bande and Oviedo de la Fuente, 2012), classiFunc ‘(Maierhofer and Pfisterer, 2017), among others.Magister en Estadística AplicadaMaestríaapplication/pdfspaUniversidad Santo TomásMaestría Estadística AplicadaFacultad de EstadísticaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo HumanoClassificationFGLMFGSAMFGKAMFPCATime SeriesFunctional DataFunctional Machine LearningHuman DevelopmentFunctional Principal Component AnalysisEstadísticaEstadística AplicadaDatos EstadísticosClasificaciónMachine learning funcionalFGLMFGSAMFGKAMACPFSeries De TiempoDatos FuncionalesDesarrollo HumanoAnálisis De Componentes Principales FuncionalesTesis de maestríainfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisCRAI-USTA BogotáAkinbobola, T. O. and Saibu, M. O. O. (2004). Income inequality, unemployment, and poverty in nigeria: a vector autoregressive approach. The Journal of Policy Reform, 7(3):175– 183.Bagnall, A., Lines, J., Bostrom, A., Large, J., and Keogh, E. (2017). The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data mining and knowledge discovery, 31(3):606–660.Bagnall, A., Lines, J., Hills, J., and Bostrom, A. (2015). Time-series classification with cote: The collective of transformation-based ensembles. IEEE Transactions on Knowledge and Data Engineering, 27(9):2522–2535.Buhlmann, P. and Hothorn, T. (2007). Boosting algorithms: Regularization, prediction and model fitting.de Boor, C. (1978). A Practical Guide to Spline, volume Volume 27.de las naciones unidas, O. (2021). Población.Deprez, P., Shevchenko, P. V., and W¨uthrich, M. V. (2017). Machine learning techniques for mortality modeling. European Actuarial Journal, 7(2):337–352.DEVBAY. (2020). Time series classification – an overview.Faouzi, J. (2022). Time series classification: A review of algorithms and implementations. Machine Learning (Emerging Trends and Applications).Febrero-Bande, M. and Gonz˜alez-Manteiga, W. (2011). Generalized Additive Models for Functional Data, volume 22, pages 91–96.Febrero-Bande, M. and Oviedo de la Fuente, M. (2012). Statistical computing in functional data analysis: The R package fda.usc. Journal of Statistical Software, 51(4):1–28.Golovkine, S. (2021). M´ethodes statistiques pour donn´ees fonctionnelles multivari´ees. PhD thesis.Grenander, U. (1950). Stochastic processes and statistical inference. Arkiv f¨or matematik, 1(3):195–277.Hernández-Sampieri, R. and Torres, C. P. M. (2018). Metodología de la investigación, volume 4. McGraw-Hill Interamericana Méxicoˆ eD. F DF.Hyndman, R. J. and Booth, H. (2008). Stochastic population forecasts using functional data models for mortality, fertility and migration. International Journal of Forecasting, 24(3):323–342.Hyndman, R. J. and Shang, H. L. (2009). Forecasting functional time series. Journal of the Korean Statistical Society, 38(3):199–211.Khan, Y. A., Abbas, S. Z., and Truong, B.-C. (2020). Machine learning-based mortality rate prediction using optimized hyper-parameter. Computer Methods and Programs in Biomedicine, 197:105704.Kokoszka, P. and Reimherr, M. (2017). Introduction to functional data analysis. Chapman and Hall/CRC.Lee, R. (2000). The lee-carter method for forecasting mortality, with various extensions and applications. North American actuarial journal, 4(1):80–91.Lee, R. D. and Carter, L. R. (1992). Modeling and forecasting u.s. mortality. Journal of the American Statistical Association, 87(419):659–671.López, J. F. (2019). Guía para calcular e interpretar el IDH.Maierhofer, T. and Pfisterer, F. (2017). Classifunc: classification of functional data. R package version 0.1. 0, URL https://CRAN. R-project. org/package= classiFunc.Mark, R. (2018). Python implementation of KNN and DTW classification algorithm.Medina, F. (2001). Consideraciones sobre el índice de gini. Technical report, Naciones unidas.Moller, A., Tutz, G., and Gertheiss, J. (2016). Random forests for functional covariates. Journal of Chemometrics, 30(12):715–725.Mundial, B. (2021). Esperanza de vida al nacer, total (años).Mundial, G. B. (2023). Datos de libre acceso del banco mundial.Pfisterer, F., Beggel, L., Sun, X., Scheipl, F., and Bischl, B. (2019). Benchmarking time series classification–functional data vs machine learning approaches. arXiv preprint ar- Xiv:1911.07511.PNUD (2019). Informe sobre desarrollo humano 2019. Technical report, Programa de las Naciones Unidas para el Desarrollo.PNUD (2020). Informe sobre desarrollo humano 2020. Technical report, Programa de las Naciones Unidas para el Desarrollo.Programme, U. N. D. (2023). HUMAN DEVELOPMENT DATA.Ramsay, J. O. (1982). When the data are functions. Psychometrika, 47(4):379–396.Ramsay, J. O. and Silverman, B. W. (2005). Functional data analysis. Springer Series in Statistics, New York: Springer Verlag.Rao, C. R. (1958). Some statistical methods for comparison of growth curves. Biometrics, 14(1):1–17.RCODER. (2023). Listas en R.Rossi, F. and Villa, N. (2006). Support vector machine for functional data classification. Neurocomputing, 69(7):730–742. New Issues in Neurocomputing: 13th European Symposium on Artificial Neural Networks.Shang, H. L. (2015). Statistically tested comparisons of the accuracy of forecasting methods for age-specific and sex-specific mortality and life expectancy. Population Studies, 69(3):317–335.Shang, H. L. (2016). Mortality and life expectancy forecasting for a group of populations in developed countries: a multilevel functional data method. The Annals of Applied Statistics, 10(3):1639–1672.Shang, H. L., Smith, P. W., Bijak, J., and Wisniowski, A. (2013). A functional data analysis approach for forecasting population: a case study for the united kingdom.Swamynathan, M. (2019). Mastering machine learning with python in six steps: A practical implementation guide to predictive data analytics using python. Apress.Wang, J.-L., Chiou, J.-M., and Muller, H.-G. (2015). Review of functional data analysis. arXiv preprint arXiv:1507.05135.LICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/53659/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessORIGINAL2023fredyrivera.pdf2023fredyrivera.pdfTrabajo de Gradoapplication/pdf4087675https://repository.usta.edu.co/bitstream/11634/53659/1/2023fredyrivera.pdf2a33d20b0023967b13067a97c909f164MD51open accessFredy Alexander Rivera-CRAI.pdfFredy Alexander Rivera-CRAI.pdfCarta aprobación facultad estadísticaapplication/pdf93369https://repository.usta.edu.co/bitstream/11634/53659/2/Fredy%20Alexander%20Rivera-CRAI.pdf9d742f35b62bc86822d289f0432351dbMD52metadata only accessCarta_autorizacion_autoarchivo_Fredy_Alexander_Rivera_Gómez_2023.pdfCarta_autorizacion_autoarchivo_Fredy_Alexander_Rivera_Gómez_2023.pdfCarta derechos de autorapplication/pdf929033https://repository.usta.edu.co/bitstream/11634/53659/3/Carta_autorizacion_autoarchivo_Fredy_Alexander_Rivera_G%c3%b3mez_2023.pdf76d540a463cb8199a40a0b5471088125MD53metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/53659/4/license_rdf217700a34da79ed616c2feb68d4c5e06MD54open accessTHUMBNAIL2023fredyrivera.pdf.jpg2023fredyrivera.pdf.jpgIM Thumbnailimage/jpeg6517https://repository.usta.edu.co/bitstream/11634/53659/6/2023fredyrivera.pdf.jpgdeb39ae1511d9fe786c9ff29725441c4MD56open accessFredy Alexander Rivera-CRAI.pdf.jpgFredy Alexander Rivera-CRAI.pdf.jpgIM Thumbnailimage/jpeg7162https://repository.usta.edu.co/bitstream/11634/53659/7/Fredy%20Alexander%20Rivera-CRAI.pdf.jpgc0d21d97393b2afe0c277679a23293a7MD57open accessCarta_autorizacion_autoarchivo_Fredy_Alexander_Rivera_Gómez_2023.pdf.jpgCarta_autorizacion_autoarchivo_Fredy_Alexander_Rivera_Gómez_2023.pdf.jpgIM Thumbnailimage/jpeg7885https://repository.usta.edu.co/bitstream/11634/53659/8/Carta_autorizacion_autoarchivo_Fredy_Alexander_Rivera_G%c3%b3mez_2023.pdf.jpge77a760b3f626c4bc75d16d66d661d36MD58open access11634/53659oai:repository.usta.edu.co:11634/536592024-01-24 03:04:30.111open accessRepositorio Universidad Santo Tomásnoreply@usta.edu.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 |