Estudios médicos sobre el cáncer con modelos descriptivos supervisados en regresión
La Ciencia de Datos incluye un amplio abanico de técnicas de aprendizaje automático que nos permite extraer conocimiento de forma automática en contextos de datos masivos reduciendo costos, en tiempo y recursos, e incrementando el nivel de conocimiento. Sin embargo, a día de hoy es difícil encontrar...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Recursos: | Universidad de Jaén (UJA) |
| Repositorio: | CREA. Colección de recursos educativos abiertos |
| OAI Identifier: | oai:crea.ujaen.es:10953.1/27482 |
| Acesso em linha: | https://hdl.handle.net/10953.1/27482 |
| Access Level: | acceso abierto |
| Palavra-chave: | Inteligencia artificial Heurística 1203.04 Inteligencia artificial 1203.15 Heurística |
| Resumo: | La Ciencia de Datos incluye un amplio abanico de técnicas de aprendizaje automático que nos permite extraer conocimiento de forma automática en contextos de datos masivos reduciendo costos, en tiempo y recursos, e incrementando el nivel de conocimiento. Sin embargo, a día de hoy es difícil encontrar técnicas y modelos que sean capaces de describir los fenómenos que subyacen bajo los datos en entornos de aprendizaje supervisado en problemas de regresión, es decir, cuando el resultado de aplicar una técnica de aprendizaje automático es un número (no una clase) dentro de un conjunto finito de resultados. Este Trabajo Fin de Máster se centrará en el diseño de modelos difusos evolutivos para extracción de reglas descriptivas supervisadas en problemas de regresión. Más concretamente, en problemas reales relacionados con el cáncer para la obtención de conocimiento y que se asocie a patrones que describan los meses de supervivencia de los pacientes. |
|---|