Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/150599
Título : | Utilización de Machine Learning para proporcionar a los deportistas acuáticos herramientas innovadoras para la selección del aparejo a utilizar. |
Autoría: | Sánchez La O, Benjamín Carmelo |
Director: | Daradoumis Haralabus, Atanasi |
Tutor: | Andrés Sanz, Humberto |
Resumen : | El presente trabajo se enfoca en el desarrollo de un algoritmo con Machine Learning (ML) llamado WindCaddy, destinado a mejorar la toma de decisiones en deportes acuáticos impulsados por el viento, como el windsurf. Utilizando datos meteorológicos proporcionados por la Agencia Estatal de Meteorología (AEMET), se implementan algoritmos de análisis predictivo para recomendar el equipo óptimo según las condiciones del viento y el agua. La metodología abarca desde la obtención y procesamiento de datos hasta la validación de los modelos desarrollados. Se utilizan técnicas de aprendizaje automático y se desarrollan algoritmos personalizados para la selección del aparejo adecuado para cada sesión. Los resultados muestran una mejora significativa en la precisión de las recomendaciones de equipo en comparación con métodos tradicionales. Se destacan los beneficios en términos de rendimiento y seguridad para los deportistas. En conclusión, WindCaddy ofrece una solución innovadora que fusiona la pasión por los deportes acuáticos con las tecnologías de análisis de datos, mejorando la experiencia de los deportistas y proporcionando herramientas para una toma de decisiones informada y optimizada. |
Palabras clave : | Windsurf Caddie Condiciones Machine Learning |
Tipo de documento: | info:eu-repo/semantics/bachelorThesis |
Fecha de publicación : | 16-jun-2024 |
Licencia de publicación: | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ |
Aparece en las colecciones: | Bachelor thesis, research projects, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
TFG_code.zip | Código desarrollado | 30,86 MB | Fichero comprimido en ZIP | Visualizar/Abrir |
Memoria_TFG_Windcaddy.pdf | Memoria del Trabajo de Fin de Grado. | 4,13 MB | Adobe PDF | Visualizar/Abrir |
README.txt | Fichero léeme. | 474 B | Text | Visualizar/Abrir |
Comparte:
Los ítems del Repositorio están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.