PERFORMANCE ANALYSIS OF REGRESSION ALGORITHMS USING SCIKIT-LEARN.

Florian, A.; Vélez, J.

ANÁLISIS DE DESEMPEÑO DE ALGORITMOS DE REGRESIÓN USANDO SCIKIT-LEARN

dc.creator	Florian, A.
dc.creator	Vélez, J.
dc.date	2022-02-11
dc.date.accessioned	2022-05-17T21:48:49Z
dc.date.available	2022-05-17T21:48:49Z
dc.identifier	http://revistas.sena.edu.co/index.php/Re_Mo/article/view/4544
dc.identifier.uri	http://test.repositoriodigital.com:8080/handle/123456789/34796
dc.description	Machine learning and deep learning are currently áreas of extremely active research, since they allow projections and estimates of variables based on historical data and the execution of mathematical algorithms; These algorithms are specialized to performregressions, classification, prediction or other applications where they are used large volumes of data and decisions with a high margin of precision are required [1]. The large amount of data available today provides great opportunities and the transformative potential of different sectors such as medicine, banking, engineering, sports, among others; but they also present great challenges in the use information, since a poor or erroneous analysis of the data leads to to wrong decision making. As data grows, learning deep takes a leading role in the analysis and solution of problems with a high degree of complexity that in a natural environment are not easy to solve because they present nuances that only with the use of deep learning algorithms can be observed. [two]. Improvements in computational power, large volumes of information, fast data storage and parallelization have contributed to the analysis and prediction of Big Data in areas such as price prediction, análisis of medical images, traffic control and even the study of the performance of the football team, among many others. With all of the above, an idea of the current importance of this area of science is given and how pertinent it is to work on this topic	en-US
dc.description	El aprendizaje automático y el aprendizaje profundo son actualmente áreasde investigación extremadamente activas, ya que permiten proyecciones yestimaciones de variables basadas en datos históricos y la ejecución de algoritmosmatemáticos; estos algoritmos están especializados para realizarregresiones, clasificación, predicción u otras aplicaciones donde se utilizangrandes volúmenes de datos y se requieren decisiones con un alto margen de precisión[1]. La gran cantidad de datos disponibles en la actualidad brinda grandes oportunidadesy el potencial transformador de diferentes sectores como medicina, banca,ingeniería, deportes, entre otros; pero también presentan grandes desafíos en el usoefectivo de la información, ya que un análisis deficiente o erróneo de los datos conducea una toma de decisiones equivocada. A medida que los datos crecen, el aprendizajeprofundo toma un papel protagonista en el análisis y solución de problemas con unalto grado de complejidad que en un entorno natural no son fáciles de resolver porquepresentan matices que solo con el uso de algoritmos de aprendizaje profundo se puedenobservar. [2]. Las mejoras en el poder computacional, los grandes volúmenes deinformación, el almacenamiento rápido de datos y la paralelización han contribuidoal análisis y la predicción de Big Data en áreas como la predicción de precios, el análisisde imágenes médicas, el control del tráfico e incluso el estudio del rendimiento delequipo de fútbol, entre muchas otras. Con todo lo anterior, se da una idea de la importanciaactual de esta área de la ciencia y lo pertinente que es trabajar en este tema [3].	es-ES
dc.format	application/pdf
dc.language	spa
dc.publisher	Servicio Nacional de aprendizaje SENA	es-ES
dc.relation	http://revistas.sena.edu.co/index.php/Re_Mo/article/view/4544/4735
dc.rights	Derechos de autor 2022 MODUM: Revista Divulgativa Multidisciplinar de Ciencia, Tecnología e Innovación	es-ES
dc.rights	https://creativecommons.org/licenses/by-nc-nd/4.0/	es-ES
dc.source	Revista MODUM; Vol. 3 (2021): MODUM Edición 3 - I+D+i Piensa diferente, crea en grande	es-ES
dc.source	2590-5430
dc.subject	prendizaje profundo,	es-ES
dc.subject	algoritmos de aprendizaje	es-ES
dc.subject	redicción	es-ES
dc.subject	ptimización	es-ES
dc.subject	Deep learning	en-US
dc.subject	learning algorithms	en-US
dc.subject	prediction	en-US
dc.subject	optimization	en-US
dc.title	PERFORMANCE ANALYSIS OF REGRESSION ALGORITHMS USING SCIKIT-LEARN.	en-US
dc.title	ANÁLISIS DE DESEMPEÑO DE ALGORITMOS DE REGRESIÓN USANDO SCIKIT-LEARN	es-ES
dc.type	info:eu-repo/semantics/article
dc.type	info:eu-repo/semantics/publishedVersion
dc.type	Artículo revisado por pares	es-ES

Ficheros en el ítem

Ficheros	Tamaño	Formato	Ver
No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

RE_MO [44]

Mostrar el registro sencillo del ítem