Aprendizaje estadístico supervisado con máquina de soporte vectorial

dc.contributor.advisorVéliz Capuñay, Carlos Nilberto
dc.contributor.authorFalcón Cisneros, Sergio Daniel
dc.date.accessioned2024-02-26T14:41:45Z
dc.date.available2024-02-26T14:41:45Z
dc.date.created2024
dc.date.issued2024-02-26
dc.description.abstractActualmente las organizaciones recolectan datos en grandes volúmenes y de fuentes muy variadas. Para dar sentido y convertir los datos en información útil es necesario utilizar técnicas que permitan encontrar y entender las relaciones ocultas en los datos. Generalmente, la relación que nos interesa estudiar es cómo predecir un evento utilizando un conjunto de variables. Sin embargo, muchas veces la relación entre los datos es muy compleja y no puede ser analizada adecuadamente usando las técnicas más conocidas, dado que éstas suelen tener supuestos que no necesariamente se cumplen. Por ello, es importante conocer técnicas de análisis más complejas y flexibles. Esta tesis busca ser un instrumento de ayuda en el aprendizaje y uso de nuevas técnicas para estudiar los datos, lo cual es relevante sobre todo en el medio local en el que este tema es poco conocido. Con este objetivo, presenta una revisión introductoria de la teoría del aprendizaje estadístico, la cual provee del marco teórico para que distintos métodos utilicen los datos para aprender, y usando este conocimiento puedan hacer predicciones sobre datos nuevos o diferentes. Luego se centra en un estudio exhaustivo del método de aprendizaje de Máquinas de Soporte Vectorial (SVM por sus siglas en inglés), introduciendo y aplicando las funciones Kernel. Este método se puede entender como una representación de los datos como puntos en el espacio, asignados de tal forma que exista una brecha grande que separe a los elementos diferentes. Finalmente se pone en práctica la teoría estudiada aplicando el método SVM a datos de clientes de una entidad financiera. Esta entidad financiera usa predominantemente técnicas de aprendizaje estadístico simples y con varios supuestos; particularmente usa una de estas técnicas en un modelo que predice la propensión a la compra y persistencia del producto Seguro de Protección de Tarjetas. Por ello, la presente tesis se centra en aplicar el método SVM para construir una alternativa a este modelo.es_ES
dc.identifier.urihttp://hdl.handle.net/20.500.12404/27176
dc.language.isospaes_ES
dc.publisherPontificia Universidad Católica del Perúes_ES
dc.publisher.countryPEes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by/2.5/pe/*
dc.subjectVariables (Estadística)es_ES
dc.subjectProcesamiento de datoses_ES
dc.subjectAlgoritmos--Aplicacioneses_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.01.03es_ES
dc.titleAprendizaje estadístico supervisado con máquina de soporte vectoriales_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
renati.advisor.dni07911208
renati.advisor.orcidhttps://orcid.org/0009-0005-1529-080Xes_ES
renati.author.dni41685404
renati.discipline542037es_ES
renati.jurorValdivieso Serrano, Luis Hilmares_ES
renati.jurorVeliz Capuñay, Carlos Nilbertoes_ES
renati.jurorJoo Arakawa, Rocio De Abriles_ES
renati.levelhttps://purl.org/pe-repo/renati/level#maestroes_ES
renati.typehttps://purl.org/pe-repo/renati/type#tesises_ES
thesis.degree.disciplineEstadísticaes_ES
thesis.degree.grantorPontificia Universidad Católica del Perú. Escuela de Posgrado.es_ES
thesis.degree.levelMaestríaes_ES
thesis.degree.nameMaestro en Estadísticaes_ES

Files

Original bundle

Now showing 1 - 2 of 2
Thumbnail Image
Name:
FALCON_CISNEROS_SERGIO_APRENDIZAJE_ESTADISTICO_SUPERVISADO.pdf
Size:
1.19 MB
Format:
Adobe Portable Document Format
Description:
Texto completo
No Thumbnail Available
Name:
FALCÓN_CISNEROS_SERGIO_DANIEL_T.pdf
Size:
15.89 MB
Format:
Adobe Portable Document Format
Description:
Reporte de originalidad

License bundle

Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:

Collections