Técnicas de machine learning y desarrollo de modelos predictivos aplicados en la movilidad de Bogotá DC
Los datos son la materia primera de este siglo y los que vendrán, se volverán el oro de cualquier empresa, cada vez el mundo está más conectado a internet y nos brindan información de su funcionalidad como los teléfonos móviles, los autos, las máquinas de procesamiento, las antenas entre muchas cosa...
- Autores:
-
Morales Martínez, Eduardo Enrique
- Tipo de recurso:
- Fecha de publicación:
- 2020
- Institución:
- Universidad Tecnológica de Bolívar
- Repositorio:
- Repositorio Institucional UTB
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.utb.edu.co:20.500.12585/11580
- Acceso en línea:
- https://hdl.handle.net/20.500.12585/11580
https://utb.alma.exlibrisgroup.com/view/delivery/57UTB_INST/1216406880005731
- Palabra clave:
- Aprendizaje automático (inteligencia artificial)
Predicciones
Transporte urbano
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/4.0/
| Summary: | Los datos son la materia primera de este siglo y los que vendrán, se volverán el oro de cualquier empresa, cada vez el mundo está más conectado a internet y nos brindan información de su funcionalidad como los teléfonos móviles, los autos, las máquinas de procesamiento, las antenas entre muchas cosas más, pero en este caso ocuparemos delos generadores de datos los humanos quienes le damos vida a los sistemas de información. El sistema de información en este caso una encuesta que recogió datos de movilidad de bogotanos que se mueven día a realizar sus distintas labores de las que hacen uso de un medio de transporte y con toda esta información dimos paso a analizar y conocer mucho más la génesis de la movilidad de Bogotá desde aspectos cualitativos a cuantitativos como que medio de transporte es el más usado, que razones motivan a un bogotano a salir de sus casas, hasta que tanto tiempo se gasta en moverse de un lado a otro. Lo cual puede ser muy útil a la hora de tomar decisiones para mejorar la movilidad de la ciudad en horas cruciales o conocer de modo general la ciudad. Para exponer la información adicional que nos brindan los datos hicimos uso de técnicas de manejo de datos en el lenguaje de programación estadística R, un análisis exploratorio y un análisis predictivo con modelos machine Learning de regresión y clasificación supervisado, después de aplicar al menos 3 modelos de regresión y clasificación realizamos una comparativa de las métricas de eficiencia para digamos hacer un benchmarking de los modelos y así adoptar el más adecuado a las circunstancias para posteriores análisis con nueva información.6 |
|---|