Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automático

Autores
Scavuzzo, Juan Manuel
Año de publicación
2018
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión publicada
Colaborador/a o director/a de tesis
Sanchez, Jorge
Peralta, Gonzalo Sebastián
Descripción
En el presente trabajo, por un lado, implementa un framework para la generación de modelos de aprendizaje automático (ML) con el objetivo de estimar la abundancia de vectores de Dengue, Zika y Chikungunya. A su vez, se entrenan y evalúan modelos no lineales para modelar las poblaciones del mosquito. Éstos poseen mayor capacidad de generalización, en comparación con los modelos que actualmente se utilizan para tal fin. En este trabajo se propone resolver el problema de la decisión de qué modelo utilizar en las localidades que no poseen datos de entrenamiento a través de un concepto novedoso en el campo de la epidemiología, que establece relaciones de cercanía entre regiones teniendo en cuenta sus características ambientales: la Distancia Ambiental Normalizada
Materia
Applied computing
Machine Learning
Epidemiology
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Repositorio
Repositorio Digital Universitario (UNC)
Institución
Universidad Nacional de Córdoba
OAI Identificador
oai:rdu.unc.edu.ar:11086/10760
Acceder
id RDUUNC_7db247496a45ee481c6fb86b000e803b
oai_identifier_str oai:rdu.unc.edu.ar:11086/10760
network_acronym_str RDUUNC
repository_id_str 2572
network_name_str Repositorio Digital Universitario (UNC)
spelling Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automáticoScavuzzo, Juan ManuelApplied computingMachine LearningEpidemiologyEn el presente trabajo, por un lado, implementa un framework para la generación de modelos de aprendizaje automático (ML) con el objetivo de estimar la abundancia de vectores de Dengue, Zika y Chikungunya. A su vez, se entrenan y evalúan modelos no lineales para modelar las poblaciones del mosquito. Éstos poseen mayor capacidad de generalización, en comparación con los modelos que actualmente se utilizan para tal fin. En este trabajo se propone resolver el problema de la decisión de qué modelo utilizar en las localidades que no poseen datos de entrenamiento a través de un concepto novedoso en el campo de la epidemiología, que establece relaciones de cercanía entre regiones teniendo en cuenta sus características ambientales: la Distancia Ambiental NormalizadaSanchez, JorgePeralta, Gonzalo Sebastián2018info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://hdl.handle.net/11086/10760spainfo:eu-repo/semantics/openAccessreponame:Repositorio Digital Universitario (UNC)instname:Universidad Nacional de Córdobainstacron:UNC2025-10-16T09:28:27Zoai:rdu.unc.edu.ar:11086/10760Institucionalhttps://rdu.unc.edu.ar/Universidad públicaNo correspondehttp://rdu.unc.edu.ar/oai/snrdoca.unc@gmail.comArgentinaNo correspondeNo correspondeNo correspondeopendoar:25722025-10-16 09:28:28.164Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdobafalse
dc.title.none.fl_str_mv Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automático
title Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automático
spellingShingle Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automático
Scavuzzo, Juan Manuel
Applied computing
Machine Learning
Epidemiology
title_short Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automático
title_full Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automático
title_fullStr Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automático
title_full_unstemmed Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automático
title_sort Estratificación temporal de Aedes Aegypti basada en herramientas geoespaciales y aprendizaje automático
dc.creator.none.fl_str_mv Scavuzzo, Juan Manuel
author Scavuzzo, Juan Manuel
author_facet Scavuzzo, Juan Manuel
author_role author
dc.contributor.none.fl_str_mv Sanchez, Jorge
Peralta, Gonzalo Sebastián
dc.subject.none.fl_str_mv Applied computing
Machine Learning
Epidemiology
topic Applied computing
Machine Learning
Epidemiology
dc.description.none.fl_txt_mv En el presente trabajo, por un lado, implementa un framework para la generación de modelos de aprendizaje automático (ML) con el objetivo de estimar la abundancia de vectores de Dengue, Zika y Chikungunya. A su vez, se entrenan y evalúan modelos no lineales para modelar las poblaciones del mosquito. Éstos poseen mayor capacidad de generalización, en comparación con los modelos que actualmente se utilizan para tal fin. En este trabajo se propone resolver el problema de la decisión de qué modelo utilizar en las localidades que no poseen datos de entrenamiento a través de un concepto novedoso en el campo de la epidemiología, que establece relaciones de cercanía entre regiones teniendo en cuenta sus características ambientales: la Distancia Ambiental Normalizada
description En el presente trabajo, por un lado, implementa un framework para la generación de modelos de aprendizaje automático (ML) con el objetivo de estimar la abundancia de vectores de Dengue, Zika y Chikungunya. A su vez, se entrenan y evalúan modelos no lineales para modelar las poblaciones del mosquito. Éstos poseen mayor capacidad de generalización, en comparación con los modelos que actualmente se utilizan para tal fin. En este trabajo se propone resolver el problema de la decisión de qué modelo utilizar en las localidades que no poseen datos de entrenamiento a través de un concepto novedoso en el campo de la epidemiología, que establece relaciones de cercanía entre regiones teniendo en cuenta sus características ambientales: la Distancia Ambiental Normalizada
publishDate 2018
dc.date.none.fl_str_mv 2018
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/11086/10760
url http://hdl.handle.net/11086/10760
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Digital Universitario (UNC)
instname:Universidad Nacional de Córdoba
instacron:UNC
reponame_str Repositorio Digital Universitario (UNC)
collection Repositorio Digital Universitario (UNC)
instname_str Universidad Nacional de Córdoba
instacron_str UNC
institution UNC
repository.name.fl_str_mv Repositorio Digital Universitario (UNC) - Universidad Nacional de Córdoba
repository.mail.fl_str_mv oca.unc@gmail.com
_version_ 1846143330873769984
score 12.712165

Publicaciones similares