Mostrar el registro sencillo del ítem
Redes neuronales recurrentes para la predicción de casos por Covid- 19 usando datos abiertos en el Perú, 2020
dc.contributor.advisor | Liendo Arevalo, Milner David | |
dc.contributor.author | Catunta Esquivel, Saulo | |
dc.contributor.author | Roncal Hidalgo, Dalyuska Mavel | |
dc.date.accessioned | 2021-06-11T13:43:28Z | |
dc.date.available | 2021-06-11T13:43:28Z | |
dc.date.issued | 2020 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12692/63041 | |
dc.description.abstract | El problema de la investigación fue cómo utilizar redes neuronales recurrentes para la predicción de casos por Covid-19 usando datos abiertos en el Perú, 2020. El objetivo de la investigación fue utilizar las redes neuronales recurrentes para predecir los casos por Covid-19 usando datos abiertos en el Perú, 2020. La me todología de investigación es de tipo aplicada, con un enfoque cuantitativo y di seño no experimental de corte transversal. Para el desarrollo del proyecto se utilizó la metodología SCRUM. En resultados se obtuvo un aumento medio de la tasa de mortalidad de Covid-19 por cada 10 000 habitantes entre los datos reco gidos (10.9818) y la predicción (11,1057), lo cual muestra que el aumento de la tasa de mortalidad ha sido de 0,1248 por cada 10 000 habitantes. Y en la varia ción de la tasa de letalidad de Covid-19 entre los datos recogidos (3,7335) y la predicción (3,7036), lo cual indica que hubo una variación media del 0.03 % en la tasa de letalidad. Se concluye que al utilizar las redes neuronales recurrentes en específico las RNN hibridas permiten obtener una predicción de casos confir mados como de fallecidos que a pesar de tener una cantidad limitada de entra das de registros para su entrenamiento permite proporcionar cifras que se acer car a la realidad para que pueda sacar la tasa de letalidad y mortalidad. | en_US |
dc.description.uri | Tesis | es_PE |
dc.format | application/pdf | es_PE |
dc.language.iso | spa | es_PE |
dc.publisher | Universidad César Vallejo | es_PE |
dc.rights | info:eu-repo/semantics/openAccess | es_PE |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | es_PE |
dc.source | Repositorio Institucional - UCV | es_PE |
dc.source | Universidad César Vallejo | es_PE |
dc.subject | Redes neuronales (Computación) | es_PE |
dc.subject | COVID-19 (Enfermedad) - Investigación | es_PE |
dc.subject | Modelo predictivo | es_PE |
dc.title | Redes neuronales recurrentes para la predicción de casos por Covid- 19 usando datos abiertos en el Perú, 2020 | es_PE |
dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
thesis.degree.discipline | Ingeniería de Sistemas | es_PE |
thesis.degree.grantor | Universidad César Vallejo. Facultad de Ingeniería y Arquitectura | es_PE |
thesis.degree.name | Ingeniero de Sistemas | es_PE |
dc.description.sede | Lima Norte | es_PE |
dc.description.escuela | Escuela de Ingeniería de Sistemas | es_PE |
dc.description.lineadeinvestigacion | Sistema de Información y Comunicaciones | es_PE |
renati.advisor.dni | 00792777 | |
renati.advisor.orcid | https://orcid.org/0000-0002-7665-361X | es_PE |
renati.author.dni | 73181638 | |
renati.author.dni | 76286456 | |
renati.discipline | 612076 | es_PE |
renati.juror | Hilario Falcón, Francisco Manuel | |
renati.juror | Liendo Arevalo, Milner David | |
renati.juror | Petrlik Azabache, Ivan Carlo | |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | es_PE |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_PE |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.04 | es_PE |
dc.publisher.country | PE | es_PE |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(es)
-
Lima Norte [1413]