Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/150599
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | Sánchez La O, Benjamín Carmelo | - |
dc.contributor.other | Daradoumis, Thanasis | - |
dc.coverage.spatial | Santa Lucía de Tirajana | - |
dc.date.accessioned | 2024-07-06T07:52:55Z | - |
dc.date.available | 2024-07-06T07:52:55Z | - |
dc.date.issued | 2024-06-16 | - |
dc.identifier.uri | http://hdl.handle.net/10609/150599 | - |
dc.description.abstract | 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. | ca |
dc.description.abstract | The present work focuses on the development of a Machine Learning (ML) based algorithm called WindCaddy, aimed at improving decision making in wind-driven water sports, such as windsurfing. Using meteorological data provided by the Spanish Meteorological Agency (AEMET), predictive analysis algorithms are implemented to recommend the optimal equipment according to wind and water conditions. The methodology ranges from data collection and processing to the validation of the developed models. Machine learning techniques are used and customised algorithms are developed for the selection of the appropriate rig for each session. The results show a significant improvement in the accuracy of equipment recommendations compared to traditional methods. The benefits in terms of performance and safety for athletes are highlighted. In conclusion, WindCaddy offers an innovative solution that fuses a passion for water sports with data analytics technologies, enhancing the athlete experience and providing tools for informed and optimised decision making. | en |
dc.format.mimetype | application/pdf | ca |
dc.format.mimetype | application/zip | ca |
dc.language.iso | spa | es |
dc.publisher | Universitat Oberta de Catalunya (UOC) | ca |
dc.rights | CC BY-NC-ND | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ | - |
dc.subject | windsurf | es |
dc.subject | caddie | es |
dc.subject | ccondiciones | es |
dc.title | Utilización de Machine Learning para proporcionar a los deportistas acuáticos herramientas innovadoras para la selección del aparejo a utilizar | es |
dc.type | info:eu-repo/semantics/bachelorThesis | ca |
dc.audience.educationlevel | Estudis de Grau | ca |
dc.audience.educationlevel | Estudios de Grado | es |
dc.audience.educationlevel | University degrees | en |
dc.subject.lemac | Aprenentatge automàtic -- TFG | ca |
dc.subject.lcshes | Machine learning -- TFG | en |
dc.contributor.tutor | Andrés Sanz, Humberto | - |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | - |
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 |
README.txt | Fichero léeme. | 474 B | Text | Visualizar/Abrir |
bsanlaoTFG0624memoria.pdf | Memoria del TFG | 4,13 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons