Por favor, use este identificador para citar o enlazar este ítem:
http://repositorio.usfq.edu.ec/handle/23000/12511| Tipo de material: | bachelorThesis |
| Título : | Predicting time series with LSTM and CNN deep learning models; application on a COVID-19 database |
| Autor : | Puente Cárdenas, Felipe Esteban |
| Director de Tesis : | Pérez, Noel, dir. |
| Descriptores : | Redes neuronales (Computadores) - Investigaciones - Tesis y disertaciones académicas;Odontología - Aparatos e instrumentos |
| Fecha de publicación : | 20-dic-2022 |
| Editorial : | Quito |
| Citación : | Tesis (Ingeniero en Ciencias de la Computación), Universidad San Francisco de Quito, Colegio de Ciencias e Ingenierías ; Quito, Ecuador, 2022 |
| Páginas : | 26 p. |
| Acceso: | openAccess Atribución-NoComercial-SinDerivadas 3.0 Ecuador |
| Resumen : | La pandemia del virus COVID-19 ha tenido un enorme impacto en la sociedad. Millones de personas se vieron afectadas por el virus SARSCOV-2, lo que tuvo terribles consecuencias en los ámbitos económico y sociales en todo el mundo. Para hacer frente a este problema hay que aplicar las medidas necesarias en el momento oportuno, y para ello se necesita una previsión eficaz. En este contexto, este trabajo pretende utilizar técnicas de aprendizaje profundo, es decir, memoria a corto plazo (LSTM) y redes neuronales convolucionales (CNN) con el fin de predecir el número de casos confirmados de COVID-19. |
| Descripción : | The COVID-19 virus pandemic has had a huge impact on society. Millions of people were affected by the SARSCOV-2 virus, and this had terrible consequences in economic and social fields worldwide. To deal with this issue, necessary measures need to be implemented at the right moment, and for this purpose, efficient forecasting is needed. In this context, this paper aims to use deep learning techniques, i.e., long short-term memory (LSTM) and convolutional neural networks (CNN) to predict the number of COVID-19 confirmed cases... |
| URI : | http://repositorio.usfq.edu.ec/handle/23000/12511 |
| Aparece en las colecciones: | Tesis - Ingeniería en Ciencias de la Computación |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| 207784.pdf | Texto completo | 631.36 kB | Adobe PDF |  Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
