tesis sobre machine learning

Servicios Personalizados

Indicadores, links relacionados.

Revista médica de Chile

Versión impresa  issn 0034-9887, rev. méd. chile vol.149 no.2 santiago feb. 2021, http://dx.doi.org/10.4067/s0034-98872021000200248 .

Artículo de Revisión

Generalidades del Machine Learning y su aplicación en la gestión sanitaria en Servicios de Urgencia

Overview of machine learning and its application in the management of emergency services

Víctor Pedrero 1   a

Katiuska Reynaldos-Grandón 1   b

Joaquín Ureta-Achurra 2   c

Erick Cortez-Pinto 3   d

1 Facultad de Enfermería, Universidad Andrés Bello. Santiago, Chile.

2 Asesoría independiente. Santiago, Chile.

3 Departamento Gestión TIC, Servicio de Salud Metropolitano Sur. Santiago, Chile.

The processes associated with health care generate a large amount of information that is difficult to analyze using standard statistical procedures. In this context, disciplines such as Data Science became relevant, mainly through strategies such as Machine Learning (ML). The latter groups a series of tools whose purpose is to develop algorithms to extract information from data, whether for explanation, classification, or prediction. Despite its usefulness as support for clinical decisions, its potential in health care management has been less explored. Also, there are difficulties in understanding these types of studies. This work tries to offer a nontechnical overview of the ML concept and its advantages for health care management. It collects examples of ML applications in emergency department management.

Key words:  Emergency Medical Services; Health Information Management; Machine Learning

Los procesos involucrados en la atención de salud generan una gran cantidad de información que resulta difícil analizar. Esto se debe, entre otras cosas, al volumen, velocidad de producción y diversidad de los datos (por ejemplo: texto, imágenes, tiempos, registros administrativos) 1 . Herramientas como el Machine Learning u otras técnicas de Data Science permiten lidiar con estas dificultades facilitando la entrega de información rápida y confiable que ayude a la toma de decisiones en las organizaciones de salud.

El Data Science , o Ciencia de los Datos, surge en la década de los sesenta y setenta al alero de la matemática y la estadística, como un tendencia que buscaba utilizar, mediante datos, el planteamiento de hipótesis, de modo de convertirlos en información y conocimiento 2 . Actualmente, la ciencia de los datos se define como un campo multidisciplinario que integra la estadística, informática, comunicación, sociología y administración para estudiar los datos, el entorno en que se producen y generar conocimiento que ayude a la toma de decisiones 2 .

Bajo el alero del Data Science conviven tanto las formas tradicionales de análisis de datos como nuevas aproximaciones 2 . Tradicionalmente los datos son analizados e interpretados a partir de hipótesis formuladas previamente. Las hipótesis conducen a seleccionar ciertas variables y poner aprueba determinadas relaciones entre ellas. Esta aproximación nos permite esclarecer, en parte, lo que está sucediendo en un set de datos particular y hacer ciertas predicciones. Sin embargo, para aprovechar al máximo la información contenida en grandes volúmenes de datos, como aquellos generados en la atención sanitaria, no es posible hipotetizar como cientos y a veces miles de variables se relacionan entre sí para explicar un determinado resultado 2 , 3 . Es por esto que se hace necesario encontrar nuevas formas de aproximarnos a los datos, especialmente cuando se desea desarrollar algoritmos predictivos que apoyen la toma de decisiones tanto clínicas como de gestión 1 , 2 . Uno de los recursos más populares en el campo del Data Science es el Machine Learning (ML) o aprendizaje automático. Este trabajo pretende ofrecer un panorama general sobre el concepto y utilidad para la gestión en salud del ML.

Una aproximación general al aprendizaje automático o Machine Learning

El ML es un término amplio que agrupa varias estrategias analíticas cuyo propósito es el desarrollo de algoritmos para extraer información de los datos ya sea para explicación, clasificación o predicción 4 , 5 . Pese a que se suele considerar como sinónimo de inteligencia artificial, es importante precisar que la inteligencia artificial es una clasificación aún más amplia que incluye tanto técnicas para el análisis de datos estructurados como el aprendizaje automático y datos no estructurados como procesamiento de lenguaje natural 5 . El ML surge en la década de los cincuenta como un recurso para emular, computacionalmente, elementos del proceso cognitivo humano a través de reconcomiendo de patrones y procesos de toma de decisión 5 . En el ámbito de la medicina ha sido utilizado para aumentar la precisión diagnóstica, hacer predicciones de mortalidad hospitalaria o predecir la necesidad de ciertas terapias 5 . Desde 2016 forma parte de los términos incluidos en el Medical Index Subheadings (MeSH) de Pubmed y ya es posible encontrar más de catorce mil artículos en esta materia.

Los algoritmos de ML pueden ser clasificados en: supervisados, no supervisados y parciamente supervisados 5 . La principal diferencia entre estos tres tipos de algoritmos es la presencia o ausencia de una variable de resultado o dependiente, a la cual se le denomina marca o etiqueta.

Algoritmos no supervisados

Los algoritmos no supervisados se caracterizan por su capacidad para extraer, clasificar y reducir la dimensionalidad. Este tipo de análisis es útil para la generación de nuevas hipótesis de trabajo 4 , 5 . Algunos ejemplos de este tipo algoritmos son: Cluster Analysis (o Análisis de Conglomerados) y Análisis de Componentes Principales (PCA, en inglés). El análisis de conglomerados permite agrupar unidades muestrales (por ejemplo, personas) de acuerdo con la similitud que existe entre ellas en un conjunto de variables numéricas. Por otro lado, el PCA es una técnica cuyo objetivo es la reducción de la dimensionalidad de los datos, su objetivo no es agrupar unidades muestrales, sino variables. Utilizando PCA, es posible reducir una gran cantidad de variables a un número menor de ellas sin perder demasiada información. Estos algoritmos no son excluyentes entre sí y podrían utilizarse en conjunto. Por ejemplo, Mesquita, Spina 6 , utilizaron una estrategia que combinó PCA y análisis de conglomerados para identificar patrones de actividad física en pacientes con enfermedad pulmonar obstructiva crónica.

Algoritmos supervisados

El objetivo de los algoritmos supervisados es la predicción 5 . Para esto, el algoritmo es entrenado para relacionar un conjunto de variables con un resultado de interés. Una vez que el entrenamiento se ha completado, el algoritmo puede hacer predicciones utilizando nuevos datos 5 , 7 . Por ejemplo, se podrían utilizar para predecir el riesgo de contraer una enfermedad a partir de un conjunto de variables que se asocian a su aparición. El resultado de este tipo de análisis puede ser una clasificación (algoritmos de clasificación) así como también una probabilidad o un puntaje (algoritmo de predicción) 5 . Algunos ejemplos de este tipo de algoritmos son el Support Vector Machine (SVM), Redes Neuronales, Árboles de Decisión, Bosques Aleatorios, entre otros. Una revisión reciente mostró que el SVM y las Redes Neuronales están entre las técnicas más populares en el área de la salud 5 . El primero es un algoritmo de clasificación, mientras que el segundo puede ser utilizado tanto para clasificación como predicción. Un ejemplo del uso de redes neuronales es su aplicación es el análisis de imágenes para mejorar la precisión diagnóstica en pacientes con artritis reumatoide 8 . De la misma forma, algunos autores han propuesto el uso de SVM para apoyar el diagnóstico de enfermedad renal crónica 9 .

Algoritmos parcialmente supervisados

Los algoritmos parcialmente supervisados comparten características de aquellos supervisados y no supervisados 5 . Una de sus ventajas es poder trabajar con datos en donde no todas las unidades cuentan con un valor en la variable resultado. Por ejemplo, un algoritmo supervisado puede ser entrenado con un subconjunto de los datos disponibles y luego aplicado para predecir los valores en la variable resultado en aquellos casos que no contaban con este valor. Un ejemplo de aplicación de este tipo de técnicas es el diagnóstico de cáncer de mama a partir de imágenes. Una dificultad de este proceso es que el periodo desde la toma de imagen hasta el desenlace del caso (sobrevida o no) puede tardar varios años e implicaría seguimiento de los pacientes. Para esto se han empleado algoritmos que permite utilizar los datos completos para predecir datos faltantes y calibrar el algoritmo con mayor cantidad de información 10 . El resultado es mayor precisión diagnóstica.

Utilidad del Machine Learning en la gestión de salud

Los algoritmos de aprendizaje automático, además de ser útiles para realizar predicciones clínicas y epidemiológicas, también pueden ser aplicados en la gestión de servicios de salud. En esta área, tienen el potencial de aportar al análisis de los procesos clínicos y administrativos que tienen lugar en una organización de salud 11 . Un proceso puede ser definido como una serie de pasos interconectados dentro de un contexto organizacional cuyo objetivo es crear bienes o servicios 12 . Algunos ejemplos de procesos son la atención de un paciente en el servicio de urgencia, la gestión de insumos, la organización del personal sanitario, entre otros.

La evidencia ha mostrado que un aspecto necesario para entregar cuidados de salud de calidad es la integración de los servicios 12 . Esto implica integrar, no solo los diferentes procesos clínicos como podrían ser las atenciones de salud entregadas por diferentes especialistas, sino también procesos de carácter administrativo como la provisión de insumos o la gestión de costos. Estos procesos, usualmente no ocurren de forma lineal en una organización de salud sino que existen en paralelo e interactúan entre sí 13 . Por lo tanto, intervenir un proceso determinado no solo impacta en su propio desempeño sino también en otros que tienen relación con él. La integración propone desafíos en el diseño, implementación y especialmente en la evaluación de los procesos que ocurren al interior de la organización de salud. Para todos estos aspectos es crucial analizar los datos derivados de tales procesos 11 .

Cada proceso de forma individual genera un gran volumen de datos en sus diferentes etapas. Por ejemplo, el proceso de atención en el servicio de urgencias genera datos durante el ingreso administrativo, en el categorizador de riesgo, en la atención médica, en el paso del paciente por el servicio de radiología, entre otros. La naturaleza de estos datos es diversa, algunos son más estructurados como por ejemplo los registros administrativos, mientras que otros tienen menos estructura como los registros clínicos o las imágenes. Para evaluar de forma efectiva un proceso como este y perfeccionarlo sería necesario analizar un gran volumen de datos de diferentes tipos 12 . En este sentido las herramientas de ML son de gran utilidad ya que permiten analizar múltiples fuentes de datos con diferente nivel de estructura y no requieren hipótesis para dichos análisis. De esta forma el ML puede generar nuevo conocimiento que contribuye al aprendizaje organizacio nal, lo cual permite proporcionar, servicios más eficientes 13 .

El aprendizaje organizacional se refiere al proceso en el cual la organización considera información interna y externa a ella, para la toma de decisiones. Hoy en día, este aspecto se considera clave en función del logro de las metas, de cimentar la permanencia en el mercado y de trascender en él 14 . Las estrategias de ML podrían retroalimentar a la organización tanto a partir del procesamiento de su propia información así como también integrando información del entorno 15 , 16 . Ejemplo de ello es la Figura 1 , que grafica el modelo de gestión del conocimiento utilizado por la Unidad de Ciencia de Datos del Servicio de Salud Metropolitano (SMSS), que considera el proceso de Dato, Información, Conocimiento y Acción, para entregarle al paciente una propuesta de estimación de tiempos de espera en las atenciones de urgencia que se realizan en los establecimientos de la red, donde la acción es definida por el mismo paciente: asistir, no asistir, donde asistir.

Figura 1  Modelo de Gestión del Conocimiento, Unidad de Ciencia de Datos del Servicio de Salud Metropolitano Sur. Autor: Enf. Natalia Gillies, Subjefa Departamento Gestión TIC SSMS. 

El ML optimiza la toma de decisiones e introduce mejoras en la prestación de servicios como los servicios de salud. Por lo tanto, aspectos como este deben ser parte de la agenda de innovación de cada institución sanitaria y ser capaces aprender, desaprender y volver a aprender 14 .

Ejemplos uso de Machine Learning en la gestión de servicios de emergencia

Dada las particularidades de Machine Learning , uno de sus usos en salud ha sido la elaboración de modelos que permitan establecer pronóstico 17 . Estos algoritmos tienen la capacidad de aprender las trayectorias de salud de los usuarios y en base a esto hacer predicciones de lo que les sucederá en el futuro 17 . Una de las áreas que se beneficia de este tipo de información son los servicios de emergencia. En esta área, el Machine Learning ha sido empleado para perfeccionar los procesos de triage 18 , 19 así como también para identificar a aquellos pacientes que consultaran frecuentemente (policonsultantes) 20 . Ambas aplicaciones tienen importantes alcances tanto para la gestión de recursos humanos y materiales como para la toma de decisiones clínicas 21 .

Aplicaciones en el triage

El triage es proceso clasificación de riesgo que permite discriminar entre quienes requieren atención inmediata en el servicio de urgencia de quienes pueden esperar más tiempo. Al clasificar a los usuarios los profesionales de salud deben lidiar con al menos dos problemas subestimar o sobre estimar el riesgo 18 , es decir, asignar una mayor prioridad de atención a una persona con un situación de bajo riesgo vital o clasificar con un bajo riesgo a alguien que posee una condición crítica de salud. Los algoritmos de Machine Learning han demostrado ser útiles en esta área e incluso pueden presentar un mejor desempeño que los expertos 19 . Levin, Toerper 19 compararon los resultados de un algoritmo de Machine Learning para triage con la clasificación de expertos. En este estudio, la precisión del algoritmo fue más alta que la de los expertos, especialmente en aquellas situaciones de emergencia clasificadas como moderadamente severas (ESI 3). Particularmente estos autores estimaron que el 10% de este último grupo fue subcategorizado. En Chile, Wolff, Rios 18 utilizando una base de datos de consultas de urgencia de tres años, bases de datos de los grupos relacionados al diagnóstico y datos administrativos, probaron distintos algoritmo de ML para realizar triage en un hospital de niños. Los resultados mostraron que algunos de los algoritmos examinados eran más precisos que el juicio experto.

Identificación de pacientes policonsultantes

En los servicios de urgencia los pacientes policonsultantes o hiperfrecuentadores son responsables de hasta un 30% del total de consultas en estos servicios 22 . El fenómeno de la policonsulta puede ser explicado tanto por variables propias de los usuarios (por ejemplo, la edad de los usuarios, el grado de vulnerabilidad, la presencia de patologías psiquiátricas, entre otros) como del sistema de atención (por ejemplo, baja resolutividad de los servicios, problemas de dotación de personal) 23 . El Machine Learning ha sido propuesta como una estrategia efectiva para identificar pacientes policonsultantes 20 , 24 . Identificar a estos pacientes permite diseñar intervenciones apropiadas para abordar sus necesidades específicas de salud 25 . Por ejemplo, Mesgarpour, Chaussalet 20 , utilizaron datos administrativos, clínicos y características de los paciente en Inglaterra para elaborar un algoritmo de ML para predecir readmisiones en el servicio de urgencia con buenos resultados. En Chile existe escasa información sobre los usuarios policonsultantes. Se estima que entre el 10 y 30% de las consultas en atención primaria corresponden a este tipo de pacientes 26 . A continuación, se describe el diseño de una investigación en curso que utiliza ML para identificar pacientes policonsultantes en servicio de urgencia de APS. Este ejemplo, esquematizado en la Figura 2 , clarifica las diferentes etapas del proceso considerando la relevancia que tiene el desarrollo de algoritmos adecuados a la realidad local 18 .

Figura 2  Esquema general de las etapas de la aplicación de ML para detectar usuarios potencialmente policonsulantes en servicios de urgencia. Autor: Elaboración propia. 

Etapa 1. Adquisición de datos

El primer paso es la recopilación de información a partir de diversos sistemas de información de salud disponibles, por ejemplo, del Registro Clínico Electrónico (RCE) Rayén. Esta información se podría complementar, con otras fuentes de datos como, encuestas de salud pública, información contenida en medios de comunicación (tanto escrito como no escrito), entre otras.

Etapa 2. Procesamiento de datos

En esta etapa se evalúa la disponibilidad e integridad de los datos y la presencia de datos perdidos (o ausentes). Además, se cautela la privacidad, anonimización y confidencialidad de la información. Esta etapa es crítica y de alto aliento, puesto que información de mala calidad en especial, en los registros de los textos libres, podría generar conclusiones incorrectas. Dentro de los problemas que se pueden presentar en los datos se encuentran: irregularidades numéricas, categorizaciones incorrectas, existencia de caracteres no numéricos en variables numéricas, ausencia de registros, entre otros. En base a estos posibles problemas, se deben definir criterios de exclusión de registros, así como considerar técnicas específicas de corrección de tales problemas.

Etapa 3. Exploración de datos

En esta etapa se obtienen los primeros resultados sobre el fenómeno de estudio. Sin embargo, no permite generar predicciones sobre el comportamiento futuro de los integrantes de la muestra. Con el fin de caracterizar la muestra en estudio se pueden comparar los datos con marcas de policonsultante v/s no policonsultante utilizando técnicas de resumen de datos y visualización (histogramas, boxplots , estadísticos de resumen, ANOVA).

Etapa 4. Análisis estadístico y modelamiento de datos

En esta etapa se explora el comportamiento predictivo diversos métodos tanto estadísticos como algorítmicos. Es aquí, donde ML entrega una batería de alternativas para evaluar supuestos con sustento estadístico, proponer métodos explicativos sólidos, y generar predicciones. En el caso de la detección de pacientes policonsultantes, dado la información de la variable de interés (número de asistencias a servicios de salud) se encuentra disponible en las bases de datos, se pueden utilizar algoritmos supervisados. Al finalizar la etapa, el grupo de investigación estará en posición de proponer una solución consistente para responder la (o las) pregunta de investigación propuesta.

Etapa 5. Validación y selección del modelo

Para realizar la validación y elección final del modelo, se deben considerar ciertas características asociadas a su desempeño entre ellas: su calidad predictiva y nivel de generalización. Para medir la calidad predictiva se pueden utilizar métricas provenientes de la matriz de confusión (tabla de contingencia), en conjunto con la curva ROC. Para la generalización del modelo una alternativa es aplicar del modelo a una nueva muestra integrada por individuos que el modelo, en su proceso de entrenamiento, no ha observado. Por ejemplo, otra muestra de pacientes que asisten a un servicio de urgencia.

Para definir umbrales de aprobación del modelo se debe tener presente la incidencia de consultantes en la población de estudio. No siempre es posible definir umbrales a priori y es aconsejable considerar la opinión de expertos en salud.

Etapa 6. Representación y reporte

Finalmente se operacionaliza la solución de manera funcional, por ejemplo, a través de un software . El empaquetamiento permitiría utilizar el modelo, o algoritmo, y en tiempo real, para predecir el comportamiento de un nuevo paciente categorizándolo como policonsultante o no. Además, hace posible evaluar escenarios simulados lo cual contribuye apoyando la toma de decisiones activas.

Conclusiones

La atención de salud genera un considerable volumen de datos, los cuales son difíciles de analizar con las técnicas estadísticas convencionales. En este sentido, las estrategias basadas en ciencia de datos y particularmente en ML resultan un recurso útil. Si bien estas aproximaciones han sido más utilizadas en el ámbito del diagnóstico clínico también representan una oportunidad para mejorar la gestión asistencial en las organizaciones de salud. Algunos ejemplos ilustrados en este trabajo son sus aplicaciones en la clasificación de pacientes y en la detección de usuarios policonsultantes. Actualmente, las bases de datos disponibles en nuestro país, como son, aquellas provenientes de los registros electrónicos e incluso de las imágenes almacenadas, ofrecen una importante oportunidad para generar conocimiento a partir de los datos existentes y retroalimentar a las organizaciones de salud contribuyendo a la toma de decisiones.

Fuente de financiamiento: Proyecto de investigación interno Ciencias Biomédicas y Clínicas Universidad Andrés Bello, DI-04-19/CB, “Policonsultantes en Servicios de Atención Primaria de Salud: una aproximación mediante el uso de bases de datos y machine learning”.

Comité de ética: Proyecto aprobado por el Comité Científico Ético del Servicio de Salud Metropolitano Sur, Memorandum 189/2019.

Agradecimientos:

A Natalia Gillies, enfermera, integrante del equipo del Departamento Gestión TIC del SSMS.

Referencias

1. van der Aalst W. Process Mining. Berlin, Heidelberg: Springer Berlin Heidelberg; 2016. [  Links  ]

2. Cao L. Data Science: A Comprehensive overview. ACM Computing Surveys. 2017; 50 (3): 1-42. [  Links  ]

3. Beam AL, Kohane IS. Big Data and machine learning in health care. JAMA. 2018; 319 (13): 1317. [  Links  ]

4. Wiemken TL, Kelley RR. Machine learning in epidemiology and health outcomes research. Annual Review of Public Health. 2020; 41 (1): 21-36. [  Links  ]

5. Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, et al. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology. 2017; 2 (4): 230-43. [  Links  ]

6. Mesquita R, Spina G, Pitta F, Donaire-Gonzalez D, Deering BM, Patel MS, et al. Physical activity patterns and clusters in 1001 patients with COPD. Chron Respir Dis. 2017; 14 (3): 256-69. [  Links  ]

7. Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction. BMC Medical Research Methodology. 2019; 19 (1): 64. [  Links  ]

8. Andersen JKH, Pedersen JS, Laursen MS, Holtz K, Grauslund J, Savarimuthu TR, et al. Neural networks for automatic scoring of arthritis disease activity on ultrasound images. RMD open. 2019;5(1):e000891. [  Links  ]

9. Polat H, Mehr HD, Cetin A. Diagnosis of chronic kidney disease based on support vector machine by feature selection methods. J. Med. Syst. 2017; 41 (4): 55. [  Links  ]

10. Zemmal N, Azizi N, Dey N, Sellami M. Adaptive semi supervised support vector machine semi supervised learning with features cooperation for breast cancer classification. J. Med. Imaging & Health Infor. 2016; 6 (1): 53-62. [  Links  ]

11. Rojas E, Muñoz-Gama J, Sepúlveda M, Capurro D. Process mining in healthcare: A literature review. J Biomed Inform. 2016; 61: 224-36. [  Links  ]

12. Buttigieg SC, Dey PK, Gauci D. Business process management in health care: current challenges and future prospects. Innovation and Entrepreneurship in Health. 2016; 3: 1-13. [  Links  ]

13. Mora J. Gestión por Precesos: Conceptos, Fundamentos y Enfoque Metodológico. 1a ed. Madrid, España: José Ramón Mora Martínez; 2016. [  Links  ]

14. Mora G. Siglo XXI economía de la información: gestión del conocimiento y Business Intelligence, el camino a seguir hacia la competitividad. Signos. 2018; 10 (2): 161-74. [  Links  ]

15. Bailetti T, Gad M, Shah A. Intrusion learning: an overview of an emergent discipline. Technol. Innov. Manag. Rev. 2016; 6 (2): 15-20. [  Links  ]

16. Garad AKA, Gold J. The learning-driven organization: Towards an integrative model for organizational learning. Ind. Commer. Train. 2019; 51 (6): 329-41. [  Links  ]

17. Rajkomar A, Dean J, Kohane I. Machine learning in medicine. N. Engl. J. Med. 2019; 380 (14): 1347-58. [  Links  ]

18. Wolff P, Rios SA, Grana M. Setting up standards: A methodological proposal for pediatric Triage machine learning model construction based on clinical outcomes. Expert Syst Appl. 2019; 138:UNSP-112788. [  Links  ]

19. Levin S, Toerper M, Hamrock E, Hinson JS, Barnes S, Gardner H, et al. Machine-learning-based electronic triage more accurately differentiates patients with respect to clinical outcomes compared with the Emergency Severity Index. Ann Emerg Med. 2018; 71 (5): 565-74. [  Links  ]

20. Mesgarpour M, Chaussalet T, Chahed S. Ensemble Risk Model of Emergency Admissions (ERMER). Int J Med Inform. 2017; 103: 65-77. [  Links  ]

21. Bates DW, Saria S, Ohno-Machado L, Shah A, Escobar G. Big data in health care: using analytics to identify and manage high-risk and high-cost patients. Health Aff. 2014; 33 (7): 1123-31. [  Links  ]

22. Matsumoto CL, O’Driscoll T, Madden S, Blakelock B, Lawrance J, Kelly L. Defining” high-frequency” emergency department use: Does one size fit all for urban and rural areas? Can Fam Physician. 2017; 63 (9): e395-e9. [  Links  ]

23. Reynaldos-Grandón K, Nasabún-Flores V, Pedrero-Castillo V, Cortéz-Pinto E, Ureta-Achurra J, Pavlov-Sepúlveda T. Pacientes policonsultantes: variabilidad de concepto. Rev Med Chil. 2020; 148 (1): 128-9. [  Links  ]

24. Besga A, Ayerdi B, Alcalde G, Manzano A, Lopetegui P, Graña M, et al. Risk factors for emergency department short time readmission in stratified population. Biomed Res Int. 2015; 2015: 1-7. [  Links  ]

25. Smits FT, Wittkampf KA, Schene AH, Bindels PJ, van Weert HC. Interventions on frequent attenders in primary care. Scand J Prim Health Care. 2008; 26 (2): 111-6. [  Links  ]

26. Miranda Hiriart G, Saffie Gatica X. Pacientes policonsultantes: ¿un síntoma del sistema de salud en Chile? Acta Bioeth. 2014; 20 (2): 215-23. [  Links  ]

Recibido: 28 de Mayo de 2020; Aprobado: 17 de Septiembre de 2020

Correspondencia a: Katiuska Reynaldos-Grandón, Avenida República 217. Santiago, Chile. [email protected]

Enfermero, Doctor © en Psicología.

Enfermera-matrona, Ingeniero Comercial, Doctora en Ciencias Empresariales.

Estadístico, Licenciado en Matemáticas.

Ingeniero Civil Biomédico, Magister en Salud Pública especialista en Gestión Hospitalaria, MBA en Salud, Master en Salud Pública especialista en Gestión Sanitaria.

Los autores declaran no tener conflictos de interés.

•   Home
• Facultad de Ciencias Físicas y Matemáticas
• Tesis Pregrado

Modelo predictivo de Machine Learning para optimizar factor de carga en equipo de carguío

• Jara Naranjo, Carolina de los Ángeles ;
• Suzuki Morales, Kimie Eliana ;
• Reyes Muñoz, Felipe Gonzalo ;

The following license files are associated with this item:

• Creative Commons

Artículos sobre machine learning

Mostrando 1 - 20 de 26 artículos.

Algoritmos evolutivos: cuando la inteligencia artificial se inspira en la selección natural

Pedro Isasi Viñuela , Universidad Carlos III

El deep learning está pasado de moda

Idoia Salazar , Universidad CEU San Pablo

¿Llegará la inteligencia artificial a controlar los mercados financieros?

Jorge Hernando Cuñado , Universidad Nebrija

La recopilación e interpretación de datos es una parte fundamental de la estrategia empresarial

Sergio Franco Casillas , Universidad de Guadalajara

Lo que la inteligencia artificial nos enseña sobre qué es realmente la inteligencia

Eva Aladro Vico , Universidad Complutense de Madrid

¿Podemos detectar la ansiedad y otros trastornos mentales a partir de las palabras que usamos?

Luis de la Fuente Valentín , UNIR - Universidad Internacional de La Rioja y Joaquín Manuel González Cabrera , UNIR - Universidad Internacional de La Rioja

El reto (y las ventajas) de que la inteligencia artificial nos reconozca por la voz y por la cara

Victoria Mingote Bueno , Universidad de Zaragoza

¿Me cambiarán por un robot?

Michelle Madeline Cámara Mora , Universidad Camilo José Cela

Inteligencia artificial para saber si un alimento es ultraprocesado y mucho más

Javier Sánchez Perona , Instituto de la Grasa (IG - CSIC)

La IA y el futuro del trabajo: cinco expertos hablan de ChatGPT, DALL-E y otras herramientas de creación y conocimiento

Lynne Parker , University of Tennessee ; Casey Greene , University of Colorado Anschutz Medical Campus ; Daniel Acuña , University of Colorado Boulder ; Kentaro Toyama , University of Michigan y Mark Finlayson , Florida International University

¿Es posible una inteligencia artificial sin prejuicios?

Mikel Galar Idoate , Universidad Pública de Navarra ; Daniel Paternain , Universidad Pública de Navarra y Iris Dominguez Catena , Universidad Pública de Navarra

Venciendo a la pandemia con inteligencia artificial

Nuria Oliver , Universidad de Alicante y José Alberto Conejero Casares , Universitat Politècnica de València

Algoritmo: palabra del siglo, si la pandemia lo permite

Celeste Campo , Universidad Carlos III

Inteligencia artificial emocional: Lo que las máquinas nunca podrán aprender

María Isabel Montserrat Sánchez-Escribano , Universitat de les Illes Balears y Javier Varona , Universitat de les Illes Balears

Drones inteligentes para asegurar que se cumplen las medidas anti-covid -19 en playas y conciertos

Angelica Reyes-Muñoz y Cristina Barrado

¿Cómo ‘ven’ las máquinas?

Manuel Jesús Marín Jiménez , Universidad de Córdoba

Máquinas que ayudan a predecir el riesgo de enfermar de párkinson y alzhéimer

Juan A. Botía , Universidad de Murcia y Jordi Clarimon , Hospital de la Santa Creu i Sant Pau

¿Deben los gobiernos poner límites a la inteligencia artificial?

José A. Ruipérez Valiente , Universidad de Murcia

Cómo la inteligencia artificial nos ayuda a contar manzanas

Jordi Gené Mola , Universitat de Lleida ; Eduard Gregorio López , Universitat de Lleida y Joan Ramon Rosell-Polo , Universitat de Lleida

Bienvenido a la era de los seguros interactivos

Alfonso Ortega Giménez , Universidad Miguel Hernández

Temas relacionados

• aprendizaje automático
• deep learning
• inteligencia artificial
• redes neuronales

Principales colaboradores

Profesora Titular del Departamento de Ingeniería Telemática, Universidad Carlos III

Profesor en el Laboratorio de Robótica, Universidad Carlos III

Investigadora en el Laboratorio de Robótica, Universidad Carlos III

Catedrático del Centro de Investigación Pattern Recognition and Human Language Technology, Universitat Politècnica de València

Investigador doctor en el Grupo de Investigación de Robótica y Sistemas Autonomos (RSAIT), UPV/EHU, Universidad del País Vasco / Euskal Herriko Unibertsitatea

Investigador postdoctoral en el Grupo de Robótica y Sistemas Autónomos (RSAIT), Universidad del País Vasco / Euskal Herriko Unibertsitatea

Associated professor, Universidad del País Vasco / Euskal Herriko Unibertsitatea

Profesor contratado doctor de Derecho Internacional Privado, Universidad Miguel Hernández

Catedrático de Universidad. Área: Inteligencia Artificial, Universidad de Alcalá

Investigador postdoctoral en el Grupo de Sistemas Inteligentes, Universidad de Alcalá

Directora de investigación en el Center for the Governance of Change, IE University

Profesor de Programación y director del Máster en Big Data Analytics, Universitat Politècnica de València

Científico Titular del CSIC y Profesor Asociado de la Universidad Pablo de Olavide, Instituto de la Grasa (IG - CSIC)

Profesor de Ingeniería Agroforestal, Universitat de Lleida

Professor of Community Information, University of Michigan

• X (Twitter)
• Dejar de seguir tema Seguir tema

• Bibliografía
• Otros servicios Guías de citas Blog Transliteración automática Bibliografías temáticas
• Transliteración automática
• Bibliografías temáticas
• Guías de citas
• Información

Tesis sobre el tema "Machine Learning (ML)"

Crea una cita precisa en los estilos apa, mla, chicago, harvard y otros.

Consulte los 50 mejores tesis para su investigación sobre el tema "Machine Learning (ML)".

Junto a cada fuente en la lista de referencias hay un botón "Agregar a la bibliografía". Pulsa este botón, y generaremos automáticamente la referencia bibliográfica para la obra elegida en el estilo de cita que necesites: APA, MLA, Harvard, Vancouver, Chicago, etc.

También puede descargar el texto completo de la publicación académica en formato pdf y leer en línea su resumen siempre que esté disponible en los metadatos.

Explore tesis sobre una amplia variedad de disciplinas y organice su bibliografía correctamente.

Holmberg, Lars. "Human In Command Machine Learning". Licentiate thesis, Malmö universitet, Malmö högskola, Institutionen för datavetenskap och medieteknik (DVMT), 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-42576.

Nangalia, V. "ML-EWS - Machine Learning Early Warning System : the application of machine learning to predict in-hospital patient deterioration". Thesis, University College London (University of London), 2017. http://discovery.ucl.ac.uk/1565193/.

John, Meenu Mary. "Design Methods and Processes for ML/DL models". Licentiate thesis, Malmö universitet, Institutionen för datavetenskap och medieteknik (DVMT), 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-45026.

Tabell, Johnsson Marco y Ala Jafar. "Efficiency Comparison Between Curriculum Reinforcement Learning & Reinforcement Learning Using ML-Agents". Thesis, Blekinge Tekniska Högskola, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:bth-20218.

Mattsson, Fredrik y Anton Gustafsson. "Optimize Ranking System With Machine Learning". Thesis, Högskolan i Halmstad, Akademin för informationsteknologi, 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:hh:diva-37431.

Kakadost, Naser y Charif Ramadan. "Empirisk undersökning av ML strategier vid prediktion av cykelflöden baserad på cykeldata och veckodagar". Thesis, Malmö universitet, Fakulteten för teknik och samhälle (TS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-20168.

Sammaritani, Gloria. "Google BigQuery ML. Analisi comparativa di un nuovo framework per il Machine Learning". Master's thesis, Alma Mater Studiorum - Università di Bologna, 2020.

Gustafsson, Sebastian. "Interpretable serious event forecasting using machine learning and SHAP". Thesis, Uppsala universitet, Institutionen för informationsteknologi, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-444363.

Schoenfeld, Brandon J. "Metalearning by Exploiting Granular Machine Learning Pipeline Metadata". BYU ScholarsArchive, 2020. https://scholarsarchive.byu.edu/etd/8730.

Hellborg, Per. "Optimering av datamängder med Machine learning : En studie om Machine learning och Internet of Things". Thesis, Högskolan i Skövde, Institutionen för informationsteknologi, 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:his:diva-13747.

Nämerforslund, Tim. "Machine Learning Adversaries in Video Games : Using reinforcement learning in the Unity Engine to create compelling enemy characters". Thesis, Mittuniversitetet, Institutionen för informationssystem och –teknologi, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-42746.

Mahfouz, Tarek Said. "Construction legal support for differing site conditions (DSC) through statistical modeling and machine learning (ML)". [Ames, Iowa : Iowa State University], 2009.

REPETTO, MARCO. "Black-box supervised learning and empirical assessment: new perspectives in credit risk modeling". Doctoral thesis, Università degli Studi di Milano-Bicocca, 2023. https://hdl.handle.net/10281/402366.

Björkberg, David. "Comparison of cumulative reward withone, two and three layered artificialneural network in a simple environmentwhen using ml-agents". Thesis, Blekinge Tekniska Högskola, Institutionen för datavetenskap, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:bth-21188.

Ucci, Graziano. "The Interstellar Medium of Galaxies: a Machine Learning Approach". Doctoral thesis, Scuola Normale Superiore, 2019. http://hdl.handle.net/11384/85928.

Gilmore, Eugene M. "Learning Interpretable Decision Tree Classifiers with Human in the Loop Learning and Parallel Coordinates". Thesis, Griffith University, 2022. http://hdl.handle.net/10072/418633.

Sridhar, Sabarish. "SELECTION OF FEATURES FOR ML BASED COMMANDING OF AUTONOMOUS VEHICLES". Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-287450.

Lagerkvist, Love. "Neural Novelty — How Machine Learning Does Interactive Generative Literature". Thesis, Malmö universitet, Fakulteten för kultur och samhälle (KS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:mau:diva-21222.

Bhogi, Keerthana. "Two New Applications of Tensors to Machine Learning for Wireless Communications". Thesis, Virginia Tech, 2021. http://hdl.handle.net/10919/104970.

Garg, Anushka. "Comparing Machine Learning Algorithms and Feature Selection Techniques to Predict Undesired Behavior in Business Processesand Study of Auto ML Frameworks". Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-285559.

Hanski, Jari y Kaan Baris Biçak. "An Evaluation of the Unity Machine Learning Agents Toolkit in Dense and Sparse Reward Video Game Environments". Thesis, Uppsala universitet, Institutionen för speldesign, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-444982.

Stellmar, Justin. "Predicting the Deformation of 3D Printed ABS Plastic Using Machine Learning Regressions". Youngstown State University / OhioLINK, 2020. http://rave.ohiolink.edu/etdc/view?acc_num=ysu1587462911261523.

Krüger, Franz David y Mohamad Nabeel. "Hyperparameter Tuning Using Genetic Algorithms : A study of genetic algorithms impact and performance for optimization of ML algorithms". Thesis, Mittuniversitetet, Institutionen för informationssystem och –teknologi, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-42404.

Björkman, Desireé. "Machine Learning Evaluation of Natural Language to Computational Thinking : On the possibilities of coding without syntax". Thesis, Uppsala universitet, Institutionen för informationsteknologi, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-424269.

Lundin, Lowe. "Artificial Intelligence for Data Center Power Consumption Optimisation". Thesis, Uppsala universitet, Avdelningen för systemteknik, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-447627.

Liu, Siyang. "Efficient machine learning techniques for indoor localization in wireless communication systems". Electronic Thesis or Diss., université Paris-Saclay, 2022. http://www.theses.fr/2022UPAST188.

Shrivastwa, Ritu Ranjan. "Enhancements in Embedded Systems Security using Machine Learning". Electronic Thesis or Diss., Institut polytechnique de Paris, 2023. http://www.theses.fr/2023IPPAT051.

Wessman, Filip. "Advanced Algorithms for Classification and Anomaly Detection on Log File Data : Comparative study of different Machine Learning Approaches". Thesis, Mittuniversitetet, Institutionen för informationssystem och –teknologi, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-43175.

Narmack, Kirilll. "Dynamic Speed Adaptation for Curves using Machine Learning". Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-233545.

Mathias, Berggren y Sonesson Daniel. "Design Optimization in Gas Turbines using Machine Learning : A study performed for Siemens Energy AB". Thesis, Linköpings universitet, Programvara och system, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-173920.

Giuliani, Luca. "Extending the Moving Targets Method for Injecting Constraints in Machine Learning". Master's thesis, Alma Mater Studiorum - Università di Bologna, 2021. http://amslaurea.unibo.it/23885/.

Tarullo, Viviana. "Artificial Neural Networks for classification of EMG data in hand myoelectric control". Master's thesis, Alma Mater Studiorum - Università di Bologna, 2019. http://amslaurea.unibo.it/19195/.

Wallner, Vanja. "Mapping medical expressions to MedDRA using Natural Language Processing". Thesis, Uppsala universitet, Institutionen för informationsteknologi, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-426916.

Hellberg, Johan y Kasper Johansson. "Building Models for Prediction and Forecasting of Service Quality". Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-295617.

Nardello, Matteo. "Low-Power Smart Devices for the IoT Revolution". Doctoral thesis, Università degli studi di Trento, 2020. http://hdl.handle.net/11572/274371.

Nardello, Matteo. "Low-Power Smart Devices for the IoT Revolution". Doctoral thesis, Università degli studi di Trento, 2020. http://hdl.handle.net/11572/274371.

Michelini, Mattia. "Barcode detection by neural networks on Android mobile platforms". Master's thesis, Alma Mater Studiorum - Università di Bologna, 2020. http://amslaurea.unibo.it/21080/.

Daneshvar, Saman. "User Modeling in Social Media: Gender and Age Detection". Thesis, Université d'Ottawa / University of Ottawa, 2019. http://hdl.handle.net/10393/39535.

Lundström, Robin. "Machine Learning for Air Flow Characterization : An application of Theory-Guided Data Science for Air Fow characterization in an Industrial Foundry". Thesis, Karlstads universitet, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kau:diva-72782.

Rosell, Felicia. "Tracking a ball during bounce and roll using recurrent neural networks". Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2018. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-239733.

Pompougnac, Hugo. "Spécification et compilation de réseaux de neurones embarqués". Electronic Thesis or Diss., Sorbonne université, 2022. http://www.theses.fr/2022SORUS436.

Hallberg, Jesper. "Searching for the charged Higgs boson in the tau nu analysis using Boosted Decision Trees". Thesis, Uppsala universitet, Högenergifysik, 2016. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-301351.

Klingvall, Emelie. "Artificiell intelligens som ett beslutsstöd inom mammografi : En kvalitativ studie om radiologers perspektiv på icke-tekniska utmaningar". Thesis, Högskolan i Skövde, Institutionen för informationsteknologi, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:his:diva-18768.

Forssell, Melker y Gustav Janér. "Product Matching Using Image Similarity". Thesis, Uppsala universitet, Institutionen för informationsteknologi, 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-413481.

Alatram, Ala'a A. M. "A forensic framework for detecting denial-of-service attacks in IoT networks using the MQTT protocol". Thesis, Edith Cowan University, Research Online, Perth, Western Australia, 2022. https://ro.ecu.edu.au/theses/2561.

Bengtsson, Theodor y Jonas Hägerlöf. "Stora mängder användardata för produktutveckling : Möjligheter och utmaningar vid integrering av stora mängder användardata i produktutvecklingsprocesser". Thesis, KTH, Integrerad produktutveckling, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-297966.

Nordqvist, My. "Classify part of day and snow on the load of timber stacks : A comparative study between partitional clustering and competitive learning". Thesis, Mittuniversitetet, Institutionen för informationssystem och –teknologi, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:miun:diva-42238.

Mele, Matteo. "Convolutional Neural Networks for the Classification of Olive Oil Geographical Origin". Bachelor's thesis, Alma Mater Studiorum - Università di Bologna, 2020.

Hjerpe, Adam. "Computing Random Forests Variable Importance Measures (VIM) on Mixed Numerical and Categorical Data". Thesis, KTH, Skolan för datavetenskap och kommunikation (CSC), 2016. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-185496.

Ahlm, Kristoffer. "IDENTIFIKATION AV RISKINDIKATORER I FINANSIELL INFORMATION MED HJÄLP AV AI/ML : Ökade möjligheter för myndigheter att förebygga ekonomisk brottslighet". Thesis, Umeå universitet, Institutionen för matematik och matematisk statistik, 2021. http://urn.kb.se/resolve?urn=urn:nbn:se:umu:diva-184818.

Tesis de Machine Learning: Ejemplos y temas TFG TFM

Tesis de machine learning: ejemplos y temas para tfg tfm.

Las tesis de Machine Learning tienen como objetivo responder preguntas clave relacionadas con el desarrollo, aplicación y avance de esta tecnología. Estas preguntas suelen explorar las posibilidades de implementación en diversas áreas, como medicina, finanzas, marketing, entre otras. Es crucial que las tesis aborden las brechas existentes en la investigación actual para impulsar el conocimiento en el campo del Machine Learning.

Contexto y Antecedentes en Tesis de Machine Learning

En el ámbito de Machine Learning se han investigado y publicado numerosos estudios que exploran desde algoritmos de aprendizaje supervisado hasta redes neuronales profundas. Los hallazgos clave en este campo incluyen avances significativos en la capacidad de procesamiento de datos, modelos predictivos más precisos y aplicaciones innovadoras en distintas disciplinas.

Brechas en la Investigación sobre Machine Learning

Existen lagunas en el conocimiento actual que las tesis podrían abordar, como el desarrollo de algoritmos de machine learning que permitan un análisis más eficiente de grandes volúmenes de datos, o la aplicación de esta tecnología en áreas como la agricultura o la conservación del medio ambiente. Estas son áreas subexploradas que representan desafíos emocionantes para futuras investigaciones.

Metodología para Investigación en Machine Learning

La elección de métodos adecuados es fundamental para abordar preguntas de investigación en tesis de Machine Learning. El diseño del estudio, la recolección de datos, el análisis estadístico y la implementación de modelos de machine learning son aspectos cruciales que deben considerarse en la metodología. Es importante destacar que la interdisciplinariedad y el uso de software especializado son elementos esenciales en esta etapa de la investigación.

Relevancia y Aplicación de la Investigación en Machine Learning

La importancia de las tesis de Machine Learning radica en su potencial para influir en el avance del conocimiento, así como en su aplicación para mejorar prácticas y procesos en diversos sectores. Estas investigaciones pueden contribuir significativamente al desarrollo de tecnologías innovadoras y a la resolución de problemas complejos en la sociedad actual.

Perspectivas de Carrera y Oportunidades de Empleo en Machine Learning

Las investigaciones en Machine Learning pueden influir positivamente en las oportunidades de carrera, ya que permiten a los estudiantes adquirir experiencia en un campo altamente demandado en la industria. El alineamiento de esta investigación con los intereses del sector industrial y la generación de soluciones innovadoras pueden abrir puertas a futuras oportunidades laborales.

Desarrollo de Habilidades en Investigación de Machine Learning

El trabajo en una tesis de Machine Learning brinda la oportunidad de desarrollar habilidades específicas, como la capacidad para investigar, escribir académicamente, realizar análisis críticos, manejar software especializado, presentar datos de manera efectiva y comunicar resultados de manera clara. Estas habilidades son altamente valoradas en el ámbito académico y laboral.

Recursos y Viabilidad en Investigación de Machine Learning

La realización de una investigación en Machine Learning requiere de recursos como acceso a datos, equipamiento especializado, habilidades técnicas y tiempo. Es fundamental evaluar la viabilidad del estudio en términos de tiempo, costos y logística para garantizar su ejecución exitosa.

Impacto y Aplicación Práctica de la Investigación en Machine Learning

Además de su relevancia académica, las investigaciones en Machine Learning pueden tener un impacto práctico al contribuir a la resolución de problemas reales y ofrecer soluciones que beneficien a la sociedad. El potencial para influir positivamente en la aplicación de esta tecnología es un aspecto crucial a considerar en este tipo de investigaciones.

Aspectos Éticos y Legales en Investigación de Machine Learning

La investigación en Machine Learning debe abordar consideraciones éticas y legales relevantes, como el consentimiento informado de los participantes, la protección de la privacidad de los datos y el cumplimiento de regulaciones vigentes. Estos aspectos son fundamentales para garantizar la integridad y la ética en la investigación.

Redes de Contacto y Colaboración en Investigación de Machine Learning

Es posible establecer conexiones con otros académicos, profesionales y expertos en el campo de Machine Learning para recibir apoyo, orientación y oportunidades de colaboración futuras. El establecimiento de estas redes puede enriquecer la investigación y generar nuevas posibilidades de desarrollo académico y profesional.

Perspectivas a Largo Plazo en Investigación de Machine Learning

Es importante que la investigación de tesis en Machine Learning se integre en los objetivos a largo plazo del estudiante, ya sea en el ámbito académico, la industria u otros campos profesionales. Esta integración contribuirá al crecimiento y desarrollo continuo del estudiante en su carrera.

Contribución Original de la Investigación en Machine Learning

La contribución única o original de una tesis en Machine Learning puede radicar en la implementación de nuevos enfoques, la resolución de problemas paradigmáticos o la generación de aplicaciones innovadoras. Es esencial que la investigación marque una diferencia significativa y añada valor al conocimiento existente en el campo del Machine Learning.

Temas para Tesis de Machine Learning – TFG – TFM

Tenemos la intención de que todos los temas aquí presentes sean de tu utilidad, igualmente no olvides seguir los lineamientos para tener una tesis profesional de mucha calidad para acreditar tus estudios.

Lee estos Temas para hacer tu tesis

• Machine Learning para predecir volúmenes operacionales de las líneas de negocio de Cenabast.
• Machine Learning Readmission Risk Modeling: A Pediatric Case Study.
• Modelo predictivo de Machine Learning para optimizar factor de carga en equipo de carguío.
• Construcción de recursos de texto para la identificación automática de información clínica en narrativas no estructuradas.
• Transformación digital a nivel corporativo mediante la realización de proyectos basados en Analytics y Machine Learning.
• Estimación de la orientación y frecuencia de fracturas en sondajes a partir de análisis de imágenes y Machine Learning.
• Predicting nationwide obesity from food sales using machine learning.
• Evaluación del riesgo de incendios forestales en la interfaz urbano rural de Concepción, integrando herramientas de gis, Machine Learning y simulación espacial.
• Modelo de detección de agresiones verbales, por medio de algoritmos de Machine Learning.
• Aplicación de Machine Learning para un sistema generador de modelos diferenciales de sistemas biológicos.
• Modelación de la variabilidad espacial de la profundidad de nieve con Machine Learning y Geoestadística utilizando datos.

Temas de modelo para la Tesis de Machine learning TFG-TFM

• Desarrollo de algoritmo de Machine Learning para monitoreo de estado de salud sobre sistema hidráulico.
• Evaluating Collaborative Learning Processes using System-based Measurement.
• Profit-based churn prediction based on Minimax Probability Machines.
• Diseño e integración de un módulo para detectar y categorizar opiniones de reclamo en un sistema de análisis Web aplicado al rubro de las telecomunicaciones.

Títulos para Tesis en Machine learning TFG-TFM

• Towards hospitalization after readmission risk prediction using ELMs.
• Euclid preparation: X. The Euclid photometric-redshift challenge.
• Rediseño del proceso de toma de decisiones en municipios para la prevención del consumo de drogas a través de herramientas de Machine Learning.
• Clasificación de Phishing Utilizando Minería de Datos Adversarial y Juegos con Información.
• Entrenamiento de algoritmos de aprendizaje de máquinas para predecir los Band Gaps en paneles de metamateriales.
• Detección de grietas mediante Deep Learning basado en imágenes en concreto.
• Embedded regression method based on dempster-shafer theory.
• Robust RL-based map-less local planning: Using 2D point clouds as observations.
• Redes neuronales convolucionales bayesianas para diagnósticos de falla en activos físicos bajo incertidumbre: caso de análisis en bombas centrifugas.

Eligiendo el título de Tesis y Trabajos para Grado y Master de Machine learning TFG – TFM

• Advanced conjoint analysis using feature selection via support vector machines.
• Traditional versus Novel Forecasting Techniques: How Much do We Gain?.
• Síntesis de agarres para Grasping robótico a partir de nubes de puntos 3D.
• Modelo de detección de fallas y faltas para sistema neumático de turbinas de aviones Boeing 767 a través de machine learning.
• Modelo predictivo basado en machine learning de ordenes de trabajo riesgosas para mantenimiento de equipos mineros.
• Clasificación del estado de ruptura de aneurismas cerebrales basada en la caracterización morfológica y hemodinámica mediante Machine Learning.
• Kernel Penalized K-means: A feature selection method based on Kernel K-means.

Variantes de Títulos de Ejemplo para una Tesis y Trabajos de final de Grado y Master de Machine learning TFG-TFM

• Análisis predictivo de activos mineros para obtención de intervalo de falla mediante algoritmos de machine learning.
• Improving Learning-Object Metadata Usage During Lesson Authoring.
• Text mining aplicado a documentación de API para la detección de directivas.
• Welding droplet segmentation using deep learning.
• Métodos de selección de atributos basados en utilidades para la predicción de fuga de clientes en telecomunicaciones.
• Estudio de la relación del esfuerzo de corte con la presión en aneurismas cerebrales y la predicción del riesgo de ruptura usando herramientas de inteligencia artificial basado en datos morfológicos, fluidodinámicos y estructurales.
• Creación de modelo de clasificación de disfonía de origen laboral utilizando Machine Learning.
• Uso de redes neuronales convolucionales aplicado a sentiment analysis.
• Deconvolución en audio utilizando modelos basados en Machine Deep Learning.
• Estudio de los cambios de percepción relacionados a emprendimiento utilizando procesamiento del lenguaje natural.

Anteriores Trabajos de Grado y Tesis de Machine learning que pueden servirte de modelo

• Aplicación de técnicas de Machine Learning para el estudio de deserción temprana y egreso oportuno en estudiantes de Ingeniería de la Facultad de Ciencias Físicas y Matemáticas.
• The rayleigh fading channel prediction via deep learning.
• Diagnóstico de la degradación en reboilers: un modelo en base al aprendizaje profundo.
• Detección de objetos usando redes neuronales convolucionales junto con Random Forest y Support Vector Machines.
• Implementación de motor de diseño de ofertas personalizadas para empresa de venta directa.
• Destilación de modelo en redes convolucionales.
• Estratificación de riesgo de infecciones bacterianas invasoras basado en algoritmos de machine learning para pacientes pediátricos ingresados por neutropenia febril.
• Diseño y construcción de modelo de clasificación de incidentes de seguridad usando NLP en los registros de texto escrito para automatizar etiquetación.
• Optimización del proceso de solicitud de pedidos para franquicias de farmacias.
• Prototipo de clasificador multiclase para relatos médicos.
• Desarrollo e implementación de un algoritmo de verificación de rostros en la empresa Geovictoria.
• Diseño, desarrollo e implementación de una aplicación de web opinion mining para identificar el sentimiento de usuarios de Twitter con respecto a una compañia de retail.
• Selección de las variables psicosociales que caracterizan el desempeño de funciones ejecutivas en situaciones cotidianas, a través de un modelo de predicción etaria.

Geniales Títulos para Tesis de Machine learning para 2024

• Analizador de videos de rutinas de Crossfit mediante algoritmos de visión de computador.
• Detección de daño en una placa compuesta utilizando variational autoencoders (VAE).
• Máquinas sin engranajes y cuerpos sin mentes . ¿Cuán dualista es el Funcionalismo de Máquina de Turing ?.
• Diseño e implementación de modelos predictivos de clasificación y regresión de proteínas basadas en la digitalización de propiedades fisicoquímicas.
• Uso de estrategias de inversión cuantitativa en renta fija extranjera para una AFP.
• Análisis de datos y búsqueda de patrones en aplicaciones médicas.
• Deep learning para identificación de núcleos activos de galaxias por variabilidad.

Recomendado:

Tesis de La Red De Caminos De Lorca Murcia: Ejemplos y temas TFG TFM

Tesis de Farmacologia: Ejemplos y temas TFG TFM

Tesis de Osteoporosis: Ejemplos y temas TFG TFM

Tesis de Bromatologia: Ejemplos y temas TFG TFM

Tesis de Postres: Ejemplos y temas TFG TFM

Tesis de Duelo: Ejemplos y temas TFG TFM

Tabla de Contenidos

Descarga las Tesis Gratis en PDF legalmente

Descarga las Tesis de Ejemplo en PDF desde su Sitio Web Oficial . Recuerda que tu tesis debe ser original para poder acreditarla. Estas tesis sólo deben ser tomadas como ejemplo.

Nosotros no alojamos los archivos PDF. Debes acceder a su repositiorio oficial y descargarlas con licencia creative commons.