Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10609/82140
Título : Técnicas de Machine Learning y desarrollo de modelos predictivos aplicados a la antropología forense
Autoría: Álvarez Fernández, Noemi
Tutor: Jordana Comin, Xavier
Otros: Universitat Oberta de Catalunya
Merino, David  
Palabras clave : redes neuronales artificiales
aprendizaje automático
random forest
Fecha de publicación : 5-jun-2018
Editorial : Universitat Oberta de Catalunya
Resumen : En este trabajo se estudia la aplicación de las técnicas de Machine Learning en el desarrollo de modelos de clasificación para la estimación del sexo de restos óseos humanos, dentro de un contexto forense y bioarqueológico. Estas técnicas permiten desarrollar algoritmos que puede aprender y esquematizar propiedades y patrones estructurales subyacentes de los datos, pudiendo utilizarse esta información para entender y predecir fenómenos específicos. Por tanto, dada la importancia que tiene una estimación fiable del sexo y la utilidad de las técnicas de Machine Learning en el desarrollo de modelos de clasificación para la predicción de variables categóricas. Lo que se propone en este trabajo es la aplicación de algoritmos estadísticos clásicos y de Machine Learning para la construcción de modelos predictivos para la estimación del sexo a partir de estudios métricos de estos restos. Para ello, en primer lugar se realizó una revisión bibliográfica de las técnicas de Machine Learning y de estadística clásica utilizadas en el área de la antropología forense. Obteniéndose un texto donde se definen y comparan estos métodos. Una vez hecho hecho se evaluaron y se escogieron los que podían adaptarse mejor a nuestro problema. Por último, se obtuvieron tres modelos de clasificación con los métodos de regresión logística, redes neuronales artificiales y Random Forest, utilizando el software R. Los resultados obtenidos fueron una serie de potentes modelos predictivos. Por lo que se puede decir que las técnicas de Machine Learning son una prometedora alternativa a los métodos clásicos de clasificación.
Idioma: Castellano
URI : http://hdl.handle.net/10609/82140
Aparece en las colecciones: Trabajos finales de carrera, trabajos de investigación, etc.

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
nalvarezfernTFM0618memoria.pdfMemoria del TFM1,29 MBAdobe PDFVista previa
Visualizar/Abrir