1. Repositorio Institucional UAQ
  2. Tesis
  3. Facultad de Ingeniería
  4. Maestría
  5. Maestría en Ciencias en Inteligencia Artificial
Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/11247
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttps://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorSebastián Salazar Coloreses_ES
dc.creatorEnrique Mena Camiloes_ES
dc.date.accessioned2024-11-22T20:21:30Z-
dc.date.available2024-11-22T20:21:30Z-
dc.date.issued2024-11-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/11247-
dc.descriptionEste proyecto presenta el desarrollo y validación de un modelo de inteligencia artificial para la predicción de riesgo de coledocolitiasis, utilizando un enfoque de ensamble que combina técnicas de stacking y boosting. Con una sensibilidad de 96.81 %, especificidad de93.16 % y un puntaje F1 de 94.87 %, el modelo demuestra una alta precisión en la detección ́de casos positivos y una reducción significativa de falsos positivos . Este enfoque de ensamble integra modelos lineales (Regresión Logística y Análisis de Discriminante Lineal) y no lineales (CNN 1D), aprovechando las fortalezas de cada uno para maximizar el rendimiento.es_ES
dc.formatpdfes_ES
dc.format.extent1 recurso en línea (78 páginas)es_ES
dc.format.mediumcomputadoraes_ES
dc.language.isospaes_ES
dc.publisherFacultad de Ingenieriaes_ES
dc.relation.requiresNoes_ES
dc.rightsopenAccesses_ES
dc.subjectModelos de ensamblees_ES
dc.subjectColedocolitiasises_ES
dc.subjectRed neuronal convolucional 1Des_ES
dc.subjectClasificacion de riesgo ́es_ES
dc.subject.classificationINGENIERÍA Y TECNOLOGÍAes_ES
dc.titleEnsamble de Modelos de Aprendizaje Profundo Para Clasificacion de Riesgo de Coledocolitiasises_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidORCIDes_ES
dc.contributor.tidORCIDes_ES
dc.creator.identificador0000-0001-8353-9017es_ES
dc.contributor.identificador0000-0002-6353-0864es_ES
dc.contributor.roleDirector de tesises_ES
dc.degree.nameMaestría en Ciencias en Inteligencia Artificiales_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelMaestríaes_ES
dc.format.supportrecurso en líneaes_ES
dc.matricula.creator309238es_ES
dc.folioIGMAC-309238es_ES
Aparece en: Maestría en Ciencias en Inteligencia Artificial

Archivos:
Fichero Descripción Tamaño Formato  
IGMAC-309238.pdf5.34 MBAdobe PDFVisualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.