Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/8905
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorMarco Antonio Aceves Fernándezes_ES
dc.creatorMarco Antonio Olguin Sánchezes_ES
dc.date2024-04-22-
dc.date.accessioned2023-08-02T16:29:33Z-
dc.date.available2023-08-02T16:29:33Z-
dc.date.issued2024-04-22-
dc.identifier.urihttps://ri-ng.uaq.mx/handle/123456789/8905-
dc.descriptionForecasting air pollution is a challenging problem today that requires special attention in large cities since they are home to millions of people who are at risk of respiratory diseases every day. At the same time, there has been exponential growth in the research and application of deep learning, which is useful to treat temporary data such as pollution levels, leaving aside the physical and chemical characteristics of the particles and only focusing on predicting the next levels of contamination. This work seeks to contribute to society by presenting a useful way to optimize recurrent neural networks of the short and long-term memory type through a statistical process (Gaussian processes) for the correct optimization of the processes. es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.publisherIngenieríaes_ES
dc.relation.requiresNoes_ES
dc.rightsEn Embargoes_ES
dc.subjectIngeniería y Tecnologíaes_ES
dc.subjectCiencias Tecnológicases_ES
dc.subjectCiencia de los ordenadoreses_ES
dc.titleRed Neuronal Recurrente de Memoria a Largo y Corto Plazo Optimizada por Procesos Gaussianos para Predecir la Contaminación Atmosféricaes_ES
dc.typeTesis de licenciaturaes_ES
dc.creator.tidcurpes_ES
dc.creator.identificadorOUSM990422HMCLNR01es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameIngeniería Físicaes_ES
dc.degree.departmentFacultad de Ingenieríaes_ES
dc.degree.levelLicenciaturaes_ES
Aparece en: Ingeniería Física

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
IGLIN-243663.pdf2.27 MBAdobe PDFPortada
Visualizar/Abrir


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