Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos
RESUMEN : Muchos animales en situación de calle sufren y son sacrificados en refugios todos los días en todo el mundo por falta de recursos económicos y financieros para el sostenimiento y su debido cuidado. El objetivo de este trabajo consiste en utilizar los datos de una competencia de Kaggle dond...
- Autores:
-
Giraldo Plaza, Maria Fernanda
Valencia Morales, Claudia Yaneth
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2021
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/24629
- Acceso en línea:
- http://hdl.handle.net/10495/24629
https://www.kaggle.com/c/petfinder-adoption-prediction/data?select=StateLabels.csv
- Palabra clave:
- Análisis de datos
Data analysis
Adopción de animales
Foster care of animals
Machine learning
Aprendizaje automático (inteligencia artificial)
Animales de compañía
Pet animals
Técnicas de predicción
Forecasting
Velocidad de adopción
Deep learning
http://aims.fao.org/aos/agrovoc/c_5742
http://aims.fao.org/aos/agrovoc/c_3041
http://vocabularies.unesco.org/thesaurus/concept2214
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/2.5/co/
id |
UDEA2_d4b162b78331cd5ec920fb4de23ded8a |
---|---|
oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/24629 |
network_acronym_str |
UDEA2 |
network_name_str |
Repositorio UdeA |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos |
title |
Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos |
spellingShingle |
Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos Análisis de datos Data analysis Adopción de animales Foster care of animals Machine learning Aprendizaje automático (inteligencia artificial) Animales de compañía Pet animals Técnicas de predicción Forecasting Velocidad de adopción Deep learning http://aims.fao.org/aos/agrovoc/c_5742 http://aims.fao.org/aos/agrovoc/c_3041 http://vocabularies.unesco.org/thesaurus/concept2214 |
title_short |
Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos |
title_full |
Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos |
title_fullStr |
Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos |
title_full_unstemmed |
Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos |
title_sort |
Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textos |
dc.creator.fl_str_mv |
Giraldo Plaza, Maria Fernanda Valencia Morales, Claudia Yaneth |
dc.contributor.advisor.none.fl_str_mv |
Tamayo Herrera, Antonio Jesús |
dc.contributor.author.none.fl_str_mv |
Giraldo Plaza, Maria Fernanda Valencia Morales, Claudia Yaneth |
dc.subject.unesco.none.fl_str_mv |
Análisis de datos Data analysis |
topic |
Análisis de datos Data analysis Adopción de animales Foster care of animals Machine learning Aprendizaje automático (inteligencia artificial) Animales de compañía Pet animals Técnicas de predicción Forecasting Velocidad de adopción Deep learning http://aims.fao.org/aos/agrovoc/c_5742 http://aims.fao.org/aos/agrovoc/c_3041 http://vocabularies.unesco.org/thesaurus/concept2214 |
dc.subject.lemb.none.fl_str_mv |
Adopción de animales Foster care of animals Machine learning Aprendizaje automático (inteligencia artificial) |
dc.subject.agrovoc.none.fl_str_mv |
Animales de compañía Pet animals Técnicas de predicción Forecasting |
dc.subject.proposal.spa.fl_str_mv |
Velocidad de adopción Deep learning |
dc.subject.agrovocuri.none.fl_str_mv |
http://aims.fao.org/aos/agrovoc/c_5742 http://aims.fao.org/aos/agrovoc/c_3041 |
dc.subject.unescouri.none.fl_str_mv |
http://vocabularies.unesco.org/thesaurus/concept2214 |
description |
RESUMEN : Muchos animales en situación de calle sufren y son sacrificados en refugios todos los días en todo el mundo por falta de recursos económicos y financieros para el sostenimiento y su debido cuidado. El objetivo de este trabajo consiste en utilizar los datos de una competencia de Kaggle donde la finalidad de esta es predecir la velocidad de adopción de dos tipos de animales (perro y gato). Los datos son obtenidos de una base de Petfinder de Malasia, con capacidad de búsqueda de animales que necesitan un hogar. Esta base es un directorio de casi 150,000 animales. Las tasas de adopción de animales se encuentran correlacionadas con los metadatos asociados a sus perfiles en línea como el texto descriptivo, las características que se evidencian en las fotografías y las variables que se consideran importantes predictores de adopción como la edad, el sexo, la raza, entre otros. Para desarrollar el propósito definido se ejecutan modelos de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning) con el fin de implementar algoritmos de predicción de la velocidad de adopción de mascotas según las características de texto; imágenes y atributos, los resultados obtenidos indican que esta es una base de datos compleja ya que los modelos implementados a partir de los datos tienen un mal rendimiento para la clasificación planteada. |
publishDate |
2021 |
dc.date.accessioned.none.fl_str_mv |
2021-12-07T14:08:42Z |
dc.date.available.none.fl_str_mv |
2021-12-07T14:08:42Z |
dc.date.issued.none.fl_str_mv |
2021 |
dc.type.spa.fl_str_mv |
info:eu-repo/semantics/other |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
dc.type.hasversion.spa.fl_str_mv |
info:eu-repo/semantics/draft |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_46ec |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/COther |
dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Especialización |
format |
http://purl.org/coar/resource_type/c_46ec |
status_str |
draft |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10495/24629 |
dc.identifier.url.spa.fl_str_mv |
https://www.kaggle.com/c/petfinder-adoption-prediction/data?select=StateLabels.csv |
url |
http://hdl.handle.net/10495/24629 https://www.kaggle.com/c/petfinder-adoption-prediction/data?select=StateLabels.csv |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.rights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ |
dc.rights.accessrights.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.creativecommons.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.format.extent.spa.fl_str_mv |
39 |
dc.format.mimetype.spa.fl_str_mv |
application/pdf |
dc.publisher.place.spa.fl_str_mv |
Medellín |
institution |
Universidad de Antioquia |
bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstream/10495/24629/11/license_rdf https://bibliotecadigital.udea.edu.co/bitstream/10495/24629/12/license.txt https://bibliotecadigital.udea.edu.co/bitstream/10495/24629/9/GiraldoMaria%26ValenciaClaudia_2021_Predicci%c3%b3nVelocidadAdopci%c3%b3n.pdf |
bitstream.checksum.fl_str_mv |
e2060682c9c70d4d30c83c51448f4eed 8a4605be74aa9ea9d79846c1fba20a33 c53499dc2ed48e99764d2a1f67524e73 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad de Antioquia |
repository.mail.fl_str_mv |
andres.perez@udea.edu.co |
_version_ |
1805390351542779904 |
spelling |
Tamayo Herrera, Antonio JesúsGiraldo Plaza, Maria FernandaValencia Morales, Claudia Yaneth2021-12-07T14:08:42Z2021-12-07T14:08:42Z2021http://hdl.handle.net/10495/24629https://www.kaggle.com/c/petfinder-adoption-prediction/data?select=StateLabels.csvRESUMEN : Muchos animales en situación de calle sufren y son sacrificados en refugios todos los días en todo el mundo por falta de recursos económicos y financieros para el sostenimiento y su debido cuidado. El objetivo de este trabajo consiste en utilizar los datos de una competencia de Kaggle donde la finalidad de esta es predecir la velocidad de adopción de dos tipos de animales (perro y gato). Los datos son obtenidos de una base de Petfinder de Malasia, con capacidad de búsqueda de animales que necesitan un hogar. Esta base es un directorio de casi 150,000 animales. Las tasas de adopción de animales se encuentran correlacionadas con los metadatos asociados a sus perfiles en línea como el texto descriptivo, las características que se evidencian en las fotografías y las variables que se consideran importantes predictores de adopción como la edad, el sexo, la raza, entre otros. Para desarrollar el propósito definido se ejecutan modelos de aprendizaje automático (machine learning) y aprendizaje profundo (deep learning) con el fin de implementar algoritmos de predicción de la velocidad de adopción de mascotas según las características de texto; imágenes y atributos, los resultados obtenidos indican que esta es una base de datos compleja ya que los modelos implementados a partir de los datos tienen un mal rendimiento para la clasificación planteada.ABSTRACT : Every day many stray animals suffer and are sacrificed in shelters around the world due to a lack of economic and financial resources for their maintenance and proper care. The objective of this study is to use the data from a Kaggle competence, where the purpose was to predict the adoption rate for two types of animals (dogs and cats). The data was obtained through the Petfinder database from Malaysia, which has the capacity to search for animals that need a home. This database is a directory of around 150,000 animals. The adoption rate of the animals is correlated with the metadata associated with the online profiles as a descriptive text. The characteristics that are evident in the pictures and the variables that are considered important by the adoption predictors such as age, sex, breeds, among others. To develop the defined purpose, machine learning, and deep learning models were run in order to implement algorithms to predict the speed of adoption based on the text characteristics, images, and attributes. The results obtained indicate that this is a complex database since the models implemented from the data have a poor performance for the proposed classification.39application/pdfspainfo:eu-repo/semantics/draftinfo:eu-repo/semantics/otherhttp://purl.org/coar/resource_type/c_46echttp://purl.org/redcol/resource_type/COtherTesis/Trabajo de grado - Monografía - Especializaciónhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/co/http://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by-nc-sa/4.0/Predicción de la velocidad de adopción de perros y gatos a partir de modelos clásicos de machine learning y deep learning con imágenes y textosMedellínAnálisis de datosData analysisAdopción de animalesFoster care of animalsMachine learningAprendizaje automático (inteligencia artificial)Animales de compañíaPet animalsTécnicas de predicciónForecastingVelocidad de adopciónDeep learninghttp://aims.fao.org/aos/agrovoc/c_5742http://aims.fao.org/aos/agrovoc/c_3041http://vocabularies.unesco.org/thesaurus/concept2214https://drive.google.com/drive/folders/1OwjDUQMCPjtgc3VsYs9C1H3zqnCbJa72?usp=sharinghttps://github.com/ClaudiaValencia93/Prediction_speed_adoption_images_textsEspecialista en Analítica y Ciencia de DatosEspecializaciónFacultad de Ingeniería. Especialización en Analítica y Ciencia de DatosUniversidad de AntioquiaCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81051https://bibliotecadigital.udea.edu.co/bitstream/10495/24629/11/license_rdfe2060682c9c70d4d30c83c51448f4eedMD511LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstream/10495/24629/12/license.txt8a4605be74aa9ea9d79846c1fba20a33MD512ORIGINALGiraldoMaria&ValenciaClaudia_2021_PredicciónVelocidadAdopción.pdfGiraldoMaria&ValenciaClaudia_2021_PredicciónVelocidadAdopción.pdfTrabajo de grado de especializaciónapplication/pdf859563https://bibliotecadigital.udea.edu.co/bitstream/10495/24629/9/GiraldoMaria%26ValenciaClaudia_2021_Predicci%c3%b3nVelocidadAdopci%c3%b3n.pdfc53499dc2ed48e99764d2a1f67524e73MD5910495/24629oai:bibliotecadigital.udea.edu.co:10495/246292021-12-07 09:12:00.98Repositorio Institucional Universidad de Antioquiaandres.perez@udea.edu.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 |