Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina usando técnicas de aprendizaje automático
Tittarelli, Gonzalo
Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina usando técnicas de aprendizaje automático - 2023 - 1 archivo (2,1 MB) + 1 archivo (11,5 MB) : il. col.
Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2023.
1 Introducción -- 1.1 Motivación -- 1.2 Objetivo y metodología -- 1.3 Contribuciones -- 1.4 Organización del documento -- 2 Marco teórico y estado del arte -- 2.1 Diabetes -- 2.1.1 Fisiología general -- 2.1.2 Tipos -- 2.1.3 Causas -- 2.1.4 Síntomas y diagnostico -- 2.1.5 Complicaciones -- 2.1.6 Prevalencia e impacto -- 2.1.7 Tratamiento -- 2.2 Aprendizaje Automático -- 2.2.1 Historia -- 2.2.2 Tipos -- 2.2.3 Proceso -- 2.2.4 Modelado -- 2.2.5 Evaluación de modelos -- 2.3 Estado del arte -- 3 Propuesta -- 3.1 Conjunto de datos -- 3.1.1 Caracterización -- 3.1.2 Preprocesamiento -- 3.1.3 Correlaciones -- 3.2 Segmentaciones propuestas -- 3.2.1 Datasets con información clínica y de laboratorio -- 3.2.2 Datasets con información clínica -- 3.2.3 Datasets con información de laboratorio -- 3.3 Alcances y limitaciones -- 4 Resultados experimentales -- 4.1 Introducción a las experimentaciones -- 4.2 Modelos de clasificación para DCL-bin -- 4.3 Modelos de clasificación para DCG-bin -- 4.4 Modelos de clasificación para DC-bin -- 4.5 Selección de features -- 4.6 Modelos de regresión para DCL -- 4.7 Análisis comparativo -- 5 Conclusiones y trabajos futuros -- 5.1 Conclusiones -- 5.2 Líneas de trabajo futuras -- Referencias
DIF-M8708
APRENDIZAJE AUTOMÁTICO
SALUD
modelos predictivos
Primeras experiencias en la identificación de personas con riesgo de diabetes en la población argentina usando técnicas de aprendizaje automático - 2023 - 1 archivo (2,1 MB) + 1 archivo (11,5 MB) : il. col.
Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2023.
1 Introducción -- 1.1 Motivación -- 1.2 Objetivo y metodología -- 1.3 Contribuciones -- 1.4 Organización del documento -- 2 Marco teórico y estado del arte -- 2.1 Diabetes -- 2.1.1 Fisiología general -- 2.1.2 Tipos -- 2.1.3 Causas -- 2.1.4 Síntomas y diagnostico -- 2.1.5 Complicaciones -- 2.1.6 Prevalencia e impacto -- 2.1.7 Tratamiento -- 2.2 Aprendizaje Automático -- 2.2.1 Historia -- 2.2.2 Tipos -- 2.2.3 Proceso -- 2.2.4 Modelado -- 2.2.5 Evaluación de modelos -- 2.3 Estado del arte -- 3 Propuesta -- 3.1 Conjunto de datos -- 3.1.1 Caracterización -- 3.1.2 Preprocesamiento -- 3.1.3 Correlaciones -- 3.2 Segmentaciones propuestas -- 3.2.1 Datasets con información clínica y de laboratorio -- 3.2.2 Datasets con información clínica -- 3.2.3 Datasets con información de laboratorio -- 3.3 Alcances y limitaciones -- 4 Resultados experimentales -- 4.1 Introducción a las experimentaciones -- 4.2 Modelos de clasificación para DCL-bin -- 4.3 Modelos de clasificación para DCG-bin -- 4.4 Modelos de clasificación para DC-bin -- 4.5 Selección de features -- 4.6 Modelos de regresión para DCL -- 4.7 Análisis comparativo -- 5 Conclusiones y trabajos futuros -- 5.1 Conclusiones -- 5.2 Líneas de trabajo futuras -- Referencias
DIF-M8708
APRENDIZAJE AUTOMÁTICO
SALUD
modelos predictivos