Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano

Vista sencilla de ítem
dc.contributor.advisorPineda Rios, Wilmer
dc.contributor.authorRivera Gómez, Fredy Alexander
dc.contributor.corporatenameUniversidad Santo Tomásspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001454199
dc.contributor.googlescholarhttps://scholar.google.com/citations?hl=es&user=5KmOl5oAAAAJ
dc.contributor.orcidhttps://orcid.org/0000-0001-7774-951X
dc.date.accessioned2024-01-23T15:06:08Z
dc.date.available2024-01-23T15:06:08Z
dc.date.issued2023
dc.descriptionLa desigualdad y el desarrollo humano son dos aspectos sociales que han perdurado a lo largo del tiempo, captando el inter´es de naciones y diversos organismos internacionales en la medición del progreso y desarrollo de la humanidad. La Organización de las Naciones Unidas, como entidad de cooperación internacional dedicada al diseño soluciones integrales para asegurar el desarrollo responsable de las naciones, estableció en 1990 el Índice de Desarrollo Humano (IDH), a través del Programa de las Naciones Unidas para el Desarrollo (PNUD). Este índice se erige como un instrumento para evaluar el avance de la humanidad. En este trabajo se desarrolla lo necesario para llevar a cabo la aplicación de la técnica de clasificación estadistica con datos funcionales orientada a caracterizar funciones de datos del Índice de desarrollo humano y evaluar la eficiencia de esta técnica, aplicando diversos modelos de clasificación bajo este enfoque; empleando el entorno R y algunos de los paquetes disponibles en la actualidad fda.usc (Febrero-Bande and Oviedo de la Fuente, 2012), classiFunc (Maierhofer and Pfisterer, 2017), entre otros.spa
dc.description.abstractInequality and human development are two social aspects that have endured over time, capturing the interest of nations and various international organizations in measuring the progress and development of humanity. The United Nations Organization, as an international cooperation entity dedicated to designing comprehensive solutions to ensure the responsible development of nations, established the Human Development Index (HDI) in 1990, through the United Nations Development Program ( UNDP). This index stands as an instrument to evaluate the progress of humanity. In this work, what is necessary to carry out the application of statistical classification techniques with functional data is developed, in order to characterize data functions of the human development index and evaluate the efficiency of this technique under different classification models with this approach. For this, the R environment is used and the different packages currently available ‘fda.usc (Febrero-Bande and Oviedo de la Fuente, 2012), classiFunc ‘(Maierhofer and Pfisterer, 2017), among others.spa
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagister en Estadística Aplicadaspa
dc.format.mimetypeapplication/pdf
dc.identifier.citationRivera Gómez, F. A. (2023). Clasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humano. [Trabajo de Maestría, Universidad Santo Tomás]. Repositorio Institucional.spa
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/53659
dc.language.isospa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.branchCRAI-USTA Bogotáspa
dc.publisher.facultyFacultad de Estadísticaspa
dc.publisher.programMaestría Estadística Aplicadaspa
dc.relation.referencesAkinbobola, T. O. and Saibu, M. O. O. (2004). Income inequality, unemployment, and poverty in nigeria: a vector autoregressive approach. The Journal of Policy Reform, 7(3):175– 183.spa
dc.relation.referencesBagnall, A., Lines, J., Bostrom, A., Large, J., and Keogh, E. (2017). The great time series classification bake off: a review and experimental evaluation of recent algorithmic advances. Data mining and knowledge discovery, 31(3):606–660.spa
dc.relation.referencesBagnall, A., Lines, J., Hills, J., and Bostrom, A. (2015). Time-series classification with cote: The collective of transformation-based ensembles. IEEE Transactions on Knowledge and Data Engineering, 27(9):2522–2535.spa
dc.relation.referencesBuhlmann, P. and Hothorn, T. (2007). Boosting algorithms: Regularization, prediction and model fitting.spa
dc.relation.referencesde Boor, C. (1978). A Practical Guide to Spline, volume Volume 27.spa
dc.relation.referencesde las naciones unidas, O. (2021). Población.spa
dc.relation.referencesDeprez, P., Shevchenko, P. V., and W¨uthrich, M. V. (2017). Machine learning techniques for mortality modeling. European Actuarial Journal, 7(2):337–352.spa
dc.relation.referencesDEVBAY. (2020). Time series classification – an overview.spa
dc.relation.referencesFaouzi, J. (2022). Time series classification: A review of algorithms and implementations. Machine Learning (Emerging Trends and Applications).spa
dc.relation.referencesFebrero-Bande, M. and Gonz˜alez-Manteiga, W. (2011). Generalized Additive Models for Functional Data, volume 22, pages 91–96.spa
dc.relation.referencesFebrero-Bande, M. and Oviedo de la Fuente, M. (2012). Statistical computing in functional data analysis: The R package fda.usc. Journal of Statistical Software, 51(4):1–28.spa
dc.relation.referencesGolovkine, S. (2021). M´ethodes statistiques pour donn´ees fonctionnelles multivari´ees. PhD thesis.spa
dc.relation.referencesGrenander, U. (1950). Stochastic processes and statistical inference. Arkiv f¨or matematik, 1(3):195–277.spa
dc.relation.referencesHernández-Sampieri, R. and Torres, C. P. M. (2018). Metodología de la investigación, volume 4. McGraw-Hill Interamericana Méxicoˆ eD. F DF.spa
dc.relation.referencesHyndman, R. J. and Booth, H. (2008). Stochastic population forecasts using functional data models for mortality, fertility and migration. International Journal of Forecasting, 24(3):323–342.spa
dc.relation.referencesHyndman, R. J. and Shang, H. L. (2009). Forecasting functional time series. Journal of the Korean Statistical Society, 38(3):199–211.spa
dc.relation.referencesKhan, Y. A., Abbas, S. Z., and Truong, B.-C. (2020). Machine learning-based mortality rate prediction using optimized hyper-parameter. Computer Methods and Programs in Biomedicine, 197:105704.spa
dc.relation.referencesKokoszka, P. and Reimherr, M. (2017). Introduction to functional data analysis. Chapman and Hall/CRC.spa
dc.relation.referencesLee, R. (2000). The lee-carter method for forecasting mortality, with various extensions and applications. North American actuarial journal, 4(1):80–91.spa
dc.relation.referencesLee, R. D. and Carter, L. R. (1992). Modeling and forecasting u.s. mortality. Journal of the American Statistical Association, 87(419):659–671.spa
dc.relation.referencesLópez, J. F. (2019). Guía para calcular e interpretar el IDH.spa
dc.relation.referencesMaierhofer, T. and Pfisterer, F. (2017). Classifunc: classification of functional data. R package version 0.1. 0, URL https://CRAN. R-project. org/package= classiFunc.spa
dc.relation.referencesMark, R. (2018). Python implementation of KNN and DTW classification algorithm.spa
dc.relation.referencesMedina, F. (2001). Consideraciones sobre el índice de gini. Technical report, Naciones unidas.spa
dc.relation.referencesMoller, A., Tutz, G., and Gertheiss, J. (2016). Random forests for functional covariates. Journal of Chemometrics, 30(12):715–725.spa
dc.relation.referencesMundial, B. (2021). Esperanza de vida al nacer, total (años).spa
dc.relation.referencesMundial, G. B. (2023). Datos de libre acceso del banco mundial.spa
dc.relation.referencesPfisterer, F., Beggel, L., Sun, X., Scheipl, F., and Bischl, B. (2019). Benchmarking time series classification–functional data vs machine learning approaches. arXiv preprint ar- Xiv:1911.07511.spa
dc.relation.referencesPNUD (2019). Informe sobre desarrollo humano 2019. Technical report, Programa de las Naciones Unidas para el Desarrollo.spa
dc.relation.referencesPNUD (2020). Informe sobre desarrollo humano 2020. Technical report, Programa de las Naciones Unidas para el Desarrollo.spa
dc.relation.referencesProgramme, U. N. D. (2023). HUMAN DEVELOPMENT DATA.spa
dc.relation.referencesRamsay, J. O. (1982). When the data are functions. Psychometrika, 47(4):379–396.spa
dc.relation.referencesRamsay, J. O. and Silverman, B. W. (2005). Functional data analysis. Springer Series in Statistics, New York: Springer Verlag.spa
dc.relation.referencesRao, C. R. (1958). Some statistical methods for comparison of growth curves. Biometrics, 14(1):1–17.spa
dc.relation.referencesRCODER. (2023). Listas en R.spa
dc.relation.referencesRossi, F. and Villa, N. (2006). Support vector machine for functional data classification. Neurocomputing, 69(7):730–742. New Issues in Neurocomputing: 13th European Symposium on Artificial Neural Networks.spa
dc.relation.referencesShang, H. L. (2015). Statistically tested comparisons of the accuracy of forecasting methods for age-specific and sex-specific mortality and life expectancy. Population Studies, 69(3):317–335.spa
dc.relation.referencesShang, H. L. (2016). Mortality and life expectancy forecasting for a group of populations in developed countries: a multilevel functional data method. The Annals of Applied Statistics, 10(3):1639–1672.spa
dc.relation.referencesShang, H. L., Smith, P. W., Bijak, J., and Wisniowski, A. (2013). A functional data analysis approach for forecasting population: a case study for the united kingdom.spa
dc.relation.referencesSwamynathan, M. (2019). Mastering machine learning with python in six steps: A practical implementation guide to predictive data analytics using python. Apress.spa
dc.relation.referencesWang, J.-L., Chiou, J.-M., and Muller, H.-G. (2015). Review of functional data analysis. arXiv preprint arXiv:1507.05135.spa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keywordClassificationspa
dc.subject.keywordFGLMspa
dc.subject.keywordFGSAMspa
dc.subject.keywordFGKAMspa
dc.subject.keywordFPCAspa
dc.subject.keywordTime Seriesspa
dc.subject.keywordFunctional Dataspa
dc.subject.keywordFunctional Machine Learningspa
dc.subject.keywordHuman Developmentspa
dc.subject.keywordFunctional Principal Component Analysisspa
dc.subject.lembEstadísticaspa
dc.subject.lembEstadística Aplicadaspa
dc.subject.lembDatos Estadísticosspa
dc.subject.proposalClasificaciónspa
dc.subject.proposalMachine learning funcionalspa
dc.subject.proposalFGLMspa
dc.subject.proposalFGSAMspa
dc.subject.proposalFGKAMspa
dc.subject.proposalACPFspa
dc.subject.proposalSeries De Tiempospa
dc.subject.proposalDatos Funcionalesspa
dc.subject.proposalDesarrollo Humanospa
dc.subject.proposalAnálisis De Componentes Principales Funcionalesspa
dc.titleClasificación de series de tiempo con datos funcionales y técnicas de Machine Learning: una aproximación para el Índice de Desarrollo Humanospa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/masterThesis
dc.type.localTesis de maestríaspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
2023fredyrivera.pdf
Tamaño:
3.9 MB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de Grado
Descargar
Miniatura
Nombre:
Fredy Alexander Rivera-CRAI.pdf
Tamaño:
91.18 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta aprobación facultad estadística
Descargar
Miniatura
Nombre:
Carta_autorizacion_autoarchivo_Fredy_Alexander_Rivera_Gómez_2023.pdf
Tamaño:
907.26 KB
Formato:
Adobe Portable Document Format
Descripción:
Carta derechos de autor
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
807 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría Estadística Aplicada