Mostrar el registro sencillo del ítem

dc.contributor.advisorFernández-Pacheco Sánchez-Migallón, Atilano Ramiroes-ES
dc.contributor.authorGahete Morillo, Carloses-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2022-10-19T10:53:11Z
dc.date.available2022-10-19T10:53:11Z
dc.date.issued2023es_ES
dc.identifier.urihttp://hdl.handle.net/11531/74734
dc.descriptionGrado en Ingeniería en Tecnologías de Telecomunicación y Grado en Análisis de Negocios/Business Analyticses_ES
dc.description.abstractEste trabajo proporciona una visión general de diversos temas relacionados con el Machine Learning y sus aplicaciones en múltiples ámbitos. Inicia con una documentación sobre la evolución histórica del ML y su estado actual. Se exploran los avances en algoritmos y modelos de ML. Se examina la importancia de la explicabilidad y la interpretabilidad en los modelos de aprendizaje profundo, así como los desarrollos recientes en este campo. Además, se aborda el concepto de aprendizaje federado y su aplicación en el contexto del aprendizaje profundo. Se desarrolla un modelo de predicción del IPC mediante la comparación de las técnicas de regresión lineal, random forest y K-Nearest Neighbors (KNN). Además, se desarrolla una aplicación web interactiva utilizando Python y Dash para visualizar y utilizar el modelo de predicción. Se profundiza en las principales políticas monetarias y fiscales, y se proponen una serie de medidas aplicables en caso de que la predicción generada por el modelo indique un valor del IPC superior o inferior al deseado.es-ES
dc.description.abstractThis work provides a comprehensive overview of various topics related to Machine Learning and its applications across multiple domains. It begins with documenting the historical evolution of ML and its current state. Advances in ML algorithms and models are explored. The importance of explainability and interpretability in deep learning models, along with recent developments in this field, are examined. Additionally, the concept of federated learning and its application in the context of deep learning is addressed. A prediction model for the Consumer Price Index (CPI) is developed by comparing the techniques of linear regression, random forest, and K-Nearest Neighbors (KNN). Furthermore, an interactive web application is developed using Python and Dash to visualize and utilize the prediction model. The work delves into the primary monetary and fiscal policies, proposing a series of applicable measures in case the model's prediction indicates a CPI value higher or lower than the desired target.en-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoen-GBes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject12 Matemáticases_ES
dc.subject1203 Ciencias de los ordenadoreses_ES
dc.subject120304 Inteligencia artificiales_ES
dc.subject.otherKTT (GITT)es_ES
dc.titlePredicción de variables macroeconómicas en Españaes_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.keywordsAprendizaje Automático, Aprendizaje Profundo, Explicabilidad, Aprendizaje Federado, Procesamiento de Lenguaje Natural, Transferencia de Aprendizaje, Predicción Financiera, Framework Dash, Visualización de Datos, Aplicaciones Web Interactivas.es-ES
dc.keywordsMachine Learning, Deep Learning, Explainability, Federated Learning, Natural Language Processing (NLP), Transfer Learning, Financial Prediction, Dash Framework, Data Visualization, Interactive Web Applicationsen-GB


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivs 3.0 United States
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivs 3.0 United States