Sistema de recomendación para detectar patrones climáticos utilizando estrategias de machine learning

Ríos Sánchez, Sebastián

Publication:
Sistema de recomendación para detectar patrones climáticos utilizando estrategias de machine learning

dc.contributor.advisor	Briñez de León, Juan Carlos
dc.contributor.author	Ríos Sánchez, Sebastián
dc.date.accessioned	2024-11-15T20:40:26Z
dc.date.available	2024-11-15T20:40:26Z
dc.date.issued	2024
dc.description.abstract	A medida que la humanidad ha avanzado en la recopilación y análisis de datos climáticos, su uso para la toma de decisiones ha cobrado gran relevancia, especialmente en un contexto donde el cambio climático intensifica fenómenos como inviernos extremos y sequías prolongadas. La prevención y la acción ante estos eventos se han vuelto esenciales para proteger a las comunidades y mitigar los impactos de los desastres naturales. En este sentido, la inteligencia artificial y el machine learning ofrecen herramientas valiosas al identificar patrones climáticos que permiten anticipar eventos extremos y mejorar la preparación para emergencias. El análisis realizado sobre datos climáticos ha revelado patrones estacionales que ayudan a prever fenómenos naturales y a mitigar riesgos en sectores clave como la agricultura y la energía. Además, se observaron correlaciones significativas entre variables como presión atmosférica, humedad y velocidad del viento, que pueden funcionar como indicadores tempranos de condiciones severas. Estos patrones y correlaciones permiten desarrollar modelos predictivos que refuerzan los sistemas de alerta y mejoran la capacidad de respuesta ante situaciones adversas. Finalmente, los modelos empleados, como las regresiones múltiples, han demostrado ser efectivos en la predicción a corto y mediano plazo de fenómenos climáticos específicos. Esto refuerza la idea de que la integración de la ciencia de datos y la inteligencia artificial es un componente crucial para enfrentar los desafíos actuales del cambio climático y tomar decisiones informadas que salvaguarden a la sociedad.
dc.description.degreelevel	Pregrado	spa
dc.description.degreename	Ingeniero(a) de Sistemas	spa
dc.format.extent	27 p.
dc.format.mimetype	application/pdf	spa
dc.identifier.uri	https://repositorio.uniremington.edu.co/handle/123456789/5410
dc.language.iso	spa	spa
dc.publisher	Corporación Universitaria Remington	spa
dc.publisher.faculty	Facultad de Ingenierías	spa
dc.publisher.place	Manizales (Caldas, Colombia)	spa
dc.publisher.program	Ingeniería de Sistemas	spa
dc.rights	Derechos Reservados - Corporación Universitaria Remington, 2024	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	spa
dc.rights.coar	http://purl.org/coar/access_right/c_abf2	spa
dc.rights.license	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)	spa
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/	spa
dc.subject	Sistemas de recomendación	spa
dc.subject	Clustering	spa
dc.subject	Temperatura	spa
dc.subject	Temperatura de punto de rocío	spa
dc.subject	Precipitación	spa
dc.subject	Humedad relativa	spa
dc.subject	Velocidad del viento	spa
dc.subject	Presión atmosférica	spa
dc.subject.lemb	Aprendizaje automático (Inteligencia artificial)
dc.subject.lemb	Análisis de datos
dc.subject.lemb	Cambios climáticos
dc.title	Sistema de recomendación para detectar patrones climáticos utilizando estrategias de machine learning	spa
dc.type	Trabajo de grado - Pregrado	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f	spa
dc.type.coarversion	http://purl.org/coar/version/c_970fb48d4fbd8a85	spa
dc.type.content	Text	spa
dc.type.driver	info:eu-repo/semantics/bachelorThesis	spa
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	http://purl.org/redcol/resource_type/TP	spa
dc.type.version	info:eu-repo/semantics/publishedVersion	spa
dspace.entity.type	Publication	spa