Vol. 5 – Núm. 1 / Enero – Junio – 2024
Modelo predictivo usando Machine Learning para determinar millas por galón
Predictive model using Machine Learning to determine miles per gallon
Modelo preditivo usando aprendizado de máquina para determinar milhas por galão
María Alejandrina Nivela Cornejo
1
Universidad Bolivariana del Ecuador
manivela@ube.edu.ec
https://orcid.org/0000-0002-0356-7243
DOI / URL: https://doi.org/10.55813/gaea/ccri/v5/n1/467
Como citar:
Nivela, M. (2024). Modelo predictivo usando Machine Learning para determinar millas por
galón. Código Científico Revista de Investigación, 5(1), 1528-1545.
Recibido: 02/05/2024 Aceptado: 04/06/2024 Publicado: 30/06/2024
1
Doctora en Ciencias Humanas. Magister en Educación Informática, Licenciada en Educación Informática.
Docente de Pregrado y Posgrado. Docente investigadora acreditada por la Senescyt. Especialista en Informática
Educativa comprometida con la innovación educativa y el desarrollo de estrategias pedagógicas basadas en
tecnología.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1529
Resumen
La contaminación vehicular es la principal causa del cambio climático, entre los gases que
generan el efecto invernadero, el CO2 es el que más contribuye al calentamiento global.
Gracias a las técnicas de inteligencia artificial, dentro del subcampo del aprendizaje automático
o machine Learning, se han dado avances significativos que permiten agilizar el análisis de
grandes volúmenes de datos. Este estudio tiene como objetivo, determinar el problema de,
construir un modelo para predecir la eficiencia de vehículos de 1970 y 1980. Para hacer esto
proveeremos el modelo con una descripción de muchos automóviles de ese periodo. Esta
descripción incluye atributos como: Cilindros, desplazamiento, potencia y peso. con el lenguaje
de programación Python. En la metodología usada se crearon los modelos, que luego fueron
definidos y entrenados y después de realizar las pruebas y predicciones, las métricas de
validación determinaron la precisión y efectividad de estos modelos. De los resultados
obtenidos se concluye que el modelo es bueno dado que proporcionó una precisión del 85%
por lo que finalmente con estos modelos se podrán realizar predicciones confiables en cuanto
a la efectividad.
Palabras clave: Machine Learning, millas por galón, lenguaje de programación.
Abstract
Vehicle pollution is the main cause of climate change, among the gases that generate the
greenhouse effect, CO2 is the one that contributes the most to global warming. Thanks to
artificial intelligence techniques, within the subfield of automatic learning or machine learning,
significant advances have been made that allow speeding up the analysis of large volumes of
data. This study aims to determine the problem of building a model to predict the efficiency of
vehicles from 1970 and 1980. To do this we will provide the model with a description of many
cars from that period. This description includes attributes such as: Cylinders, Displacement,
Power and Weight. with the Python programming language. In the methodology used, the
models were created, which were then defined and trained and after performing the tests and
predictions, the validation metrics determined the accuracy and effectiveness of these models.
From the results obtained, it is concluded that the model is good since it provided an accuracy
of 85%, so finally, with these models, reliable predictions can be made in terms of
effectiveness.
Keywords: Machine Learning, miles per gallon, Programming Language.
Resumo
A poluição veicular é a principal causa das mudanças climáticas; entre os gases que geram o
efeito estufa, o CO2 é o que mais contribui para o aquecimento global. Graças às técnicas de
inteligência artificial, no subcampo do aprendizado de máquina, foram alcançados avanços
significativos que permitem agilizar a análise de grandes volumes de dados. Este estudo tem
como objetivo determinar o problema de construção de um modelo para prever a eficiência dos
veículos das décadas de 1970 e 1980. Para isso forneceremos ao modelo uma descrição de
muitos carros desse período. Esta descrição inclui atributos como: Cilindros, cilindrada,
potência e peso. com a linguagem de programação Python. Na metodologia utilizada foram
criados os modelos, que foram então definidos e treinados e após a realização dos testes e
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1530
previsões, as métricas de validação determinaram a precisão e eficácia destes modelos. Dos
resultados obtidos conclui-se que o modelo é bom pois proporcionou uma precisão de 85%,
pelo que finalmente com estes modelos podem ser feitas previsões fiáveis quanto à eficácia.
Palavras-chave: Aprendizado de máquina, milhas por galão, linguagem de programação.
Introducción
El deterioro del medio ambiente está ligado con el aumento de consumo de energía,
mayor volumen de energía en países industrializados alcanzan tasas elevadas de
contaminación, es necesario economizar energía, aumentar eficiencia de aprovechamiento y
por motivos ecológicos se, ha desarrollado con mejor tecnología los vehículos, la
reformulación de combustibles y el uso de combustibles variados.
En todo el mundo las necesidades de transporte derivadas del crecimiento acelerado de
las grandes ciudades evidencian el aumento de problemas de movilidad urbana (CAF, 2017).
[1] La preferencia por el automóvil, como principal medio de transporte en las ciudades en
todo el mundo, causa cada vez más contratiempos.
Aldas, Reyes, 2018) Morales, Nuñez, y Toaza (desarrollan una investigación que
analiza los impactos de modelos de transporte, selecciona la mejor alternativa tomando cuatro
ciudades con alto índice de movilidad urbana y condiciones óptimas de desarrollo sostenible,
establecen los criterios de prioridad como tráfico, impacto ambiental, impacto social e impacto
económico y evalúan.
Desarrollo
Los algoritmos que usan como modelo de regresión lineal o regresión logística ( Linear
Regression, Decision Tree Regresor, Support Vector Regression-SVR, La regresión lineal
permitió crear un modelo de predicción basado en las variables, (Chanchí Golondrino, Campo
Muñoz, & Sierra Martínez, 2020); aquí se va predecir cuántos kilómetros puede correr un
automóvil por galón de combustible.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1531
Primero se lee el conjunto de datos
El lenguaje que se utiliza en Python un lenguaje de alto nivel, de código abierto
denominada Python software foundation license está orientado a objetos, se puede realizar
cualquier tipo de programas.
Un concepto referente a Python nos dice:
Es un lenguaje multiparadigma en el que conviven de forma nativa aspectos
imperativos, funcionales y orientados a objetos. Estos paradigmas están muy bien
desacoplados, lo que permite que la entrada al lenguaje se pueda hacer de forma progresiva
empezando, por ejemplo, con un estilo imperativo e incluyendo posteriormente elementos
funcionales y orientados a objetos (Troyano et al., 2018, p. 224).
Python es realmente un lenguaje de propósito general y ha ido ganando popularidad en
varios ámbitos como el desarrollo rápido de aplicaciones web, administración de sistemas,
ciencia de datos, computación científica (donde domina con diferencia), inteligencia artificial,
internet de las cosas, etc. (Carlos & Monsálvez, 2017).
Srinath (2017) nos dice que, Python es un lenguaje de programación que tiene muchas
herramientas de aprendizaje que brinda diversos recursos que hacen que su uso sea más sencillo
animando a las personas que lo usan seguir practicándolo. Ya que es un software muy sencillo
y sofisticado de utilizar. (p.355).
En los estudios comparativos (Grandell, 2006; Ateeq, 2014; Koulori, 2014;
Mészárosová, 2015; Peña, 2015b), las principales características por las que destacan a Python
son: Sintaxis simple, alta legibilidad (sangrado obligatorio), entorno amigable de desarrollo
(intérprete interactivo), abstracciones de más alto nivel (mayor nivel de expresividad), potente
librería estándar y gran cantidad de módulos de terceros (actualmente son más de 100.000),
multiparadigma (imperativo, POO y funcional), disponibilidad de recursos educativos abiertos,
software libre y comunidad entusiasta.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1532
Que es Dataset
Se utilizo Dataset, es un término extranjero que se ha incorporado en la lengua hispana
que es conjuntos de datos siendo una colección de datos que puede tabular, aquí se obtiene
todos los valores que se van a utilizar como son la altura y el peso de un objeto, que
corresponden a cada miembro del conjunto de datos. Cada uno de estos valores se conoce con
el nombre de dato. El conjunto de datos puede incluir datos para uno o más miembros en
función de su número de filas (Tandon et al., 2020).
Google Colaboratory
Es un entorno que facilita al investigador ejecutar programas en Python desde el
navegador de preferencia, también se lo conoce como cuaderno de trabajo que permite escribir
código y ejecutarlos.
Talens (2020) hace la comparación entre Kaggle y Google Colab donde asegura que las
dos plataformas disponen de servidores para ejecutar, pero la característica que resalta la
comparación realizada es que los cuadernos que se crean se quedan almacenados en la cuenta
Google, estando a disposición de manera instantánea.
Google Drive
El concepto de Google Drive dice que: Es una aplicación que forma parte de la
plataforma gratuita Google Apps; está disponible en la red, localizada en la nube y tiene un
espacio de almacenamiento variable desde 5 GB, con la posibilidad de aumentarlo a 15 GB si
se dispone de una cuenta de Gmail, e incluso se puede obtener más espacio si se abona una
cantidad mensual. (Ceballos, 2020, p. 16).
En este problema de regresión se busca predecir la salida de un valor continuo como la
probabilidad de un precio.
Machine Learning
Dando a conocer la definición es un brazo de la inteligencia artificial donde su propósito
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1533
es crear técnicas de desarrollo para que las computadoras aprendan, obteniendo experiencia
involucrándose con el manejo de los datos de gran magnitud. Un concepto de, Sandoval (2018)
dice que “Es una rama de la Inteligencia Artificial que se encarga de generar algoritmos que
tienen la capacidad de aprender y no tener que programarlos de manera explícita” (p. 37).
Usando machine Learning en el campo de la medicina en las últimas décadas se han
adaptado con la tardea de aprendizaje y predicción para encontrar soluciones en diversos casos
siendo precedentes de la inteligencia artificial aplicando esta herramienta. Una definición en
base a machine Learning dice que:
Es la ciencia de los algoritmos que se encarga de darle sentido a los datos. Este concepto
es adecuado indicarlo pues cada vez estamos rodeados de más información de la que creemos,
algo que si sabemos procesarlo y hacemos un adecuado uso de los algoritmos de
autoaprendizaje nos puede ayudar a identificar patrones y con ello clasificar o predecir
partiendo de nuevos conjuntos de datos que no han sido tratados previamente. (Zamorano,
2018, p. 14
Su finalidad como herramienta es perfeccionar el análisis de datos, en base a
predicciones, acentuando implementación es de sistemas o sencillamente mejorarlos aplicando
el uso de los diversos algoritmos existentes evaluando los que se acoplen de manera optimo
con el sistema, modelo que se desea trabajar.
Hay varias definiciones que describen el aprendizaje automatizado en este caso
tomando en cuenta lo que nos dice López (2018) que este “Se basa en conceptos y resultados
de muchos campos, incluidas la estadística, la inteligencia artificial, la filosofía, la teoría de la
información, la biología, la ciencia cognitiva, la complejidad computacional y la teoría del
control” (p. 10).
Historia de machine Learning
Machine Learning aparece en el año 1943 donde el matemático Walter Pitts y Warren
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1534
McCulloch, neurofisiólogo dieron a conocer su trabajo que en la actualidad se conoce como
inteligencia artificial. Ellos proponían en su teoría investigar y analizar el mecanismo funcional
de un cerebro de computadora y en cuanto a creación de ordenadores que se ejecuten de igual
manera que la red neuronal propia.
Es ahí donde se demostró que se podía conocer e incentivar al conocimiento de que
existía algo inteligente, pero desde una máquina, mostrando algunas de sus repercusiones. En
el año 1950 Alan Mathison Turing, científico informático, matemático, deportista y filosofo
nacido en Maida Vale del Reino Unido, reconocido por crear “Test de Turing”, que
básicamente lo que hacía era medir el nivel de inteligencia de una computadora, respondiendo
una conversación de manera natural simulando al ser humano en su conducta.
En 1952, Arthut Samuel docente e informático mostró el primer programa que podía
aprender era un juego de damas, podía guardar información y los diferentes estilos del juego
permitía mejorar la respuesta de juego. En 1956 entre un grupo de profesionales que dieron
una conferencia científica en Darthmounth dieron el nombre “Artificial Inteligencie”, liderado
por Martin Minsky y John McCarthy. Luego de esto fue olvidada está rama de la ciencia ya
que era muy costosa, a principio de la década de los 70.
En 1979 lograron crear un robot llamado “Stanford Car” que evade obstáculos en una
habitación. Luego en 1981 Gerald Dejong presento modelos de software que trabajaba en
concepto a “Explanación Base Learning” este permitía el acceso a variables que se ingresaban
y empezaron a tomar fuerza en la industria.
Metodología
Preparación del modelo
Se usa el conjunto de datos Auto MPG, que registra datos reales de varios indicadores
de rendimiento del vehículo y otros factores como la cantidad de cilindros, peso, potencia, etc.
Vea los 5 elementos principales del conjunto de datos, como se muestra en la Tabla 6.1, donde
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1535
se enumera el significado de cada campo En la tabla 6.2. Además del campo numérico de
origen que indica la categoría, los otros campos son tipos numéricos. Para el lugar de origen, 1
significa Estados Unidos, 2 significa Europa y 3 significa Japón.
Tabla 1
Datos de auto mpg
Datos de la investigación
La categoría y el número de la función se muestran como un valor nulo (NAN).
Dataset. Isna(). Sum() # Cuente el número de valores perdidos
MPG 0
Cylinders 0
Displacement 0
Horsepower 6
Weight 0
Acceleration 0
Model Year 0
Origin 0
dtype: int64
1535
ataset =
1535
ataset.dropna() # Eliminar valores perdidos
1535
ataset.tail()
Tabla 2
Eliminar valores perdidos
MPG
Cylinders
Displacement
Horsepower
Acceleration
Model Year
Origin
393
27.0
4
140.0
2790.0
15.6
82
1
394
44.0
4
97.0
2130.0
24.6
82
2
395
32.0
4
135.0
2295.0
11.6
82
1
396
28.0
4
120.0
2625.0
18.6
82
1
397
31.0
4
119.0
2720.0
19.4
82
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1536
MPG
Cylinders
Displacement
Horsepower
Acceleration
Model
Year
Origin
393
27.0
4
140.0
2790.0
15.6
82
1
394
44.0
4
97.0
2130.0
24.6
82
2
395
32.0
4
135.0
2295.0
11.6
82
1
396
28.0
4
120.0
2625.0
18.6
82
1
397
31.0
4
119.0
2720.0
19.4
82
Se utiliza la biblioteca seaborn para dibujar una imagen y dibujar la imagen de la
variable especificada. Diag_kind = ‘kde’ es la configuración de la imagen. Si es un gráfico
univariado (en comparación con usted), es un gráfico lineal, y si es una comparación de
diferentes variables, es un gráfico de dispersión.
Resultados
Figura 1
Regresión lineal
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1537
Tabla 3
Parámetros de estadística
Como se muestra en la tabla 3 se usa la función describe para ver el conjunto de datos
para ver los parámetros de algunos conjuntos de datos con más detalle, de modo que no
necesitemos llamar a la función para calcular por nosotros mismos.
Inspeccione el modelo
Model: "sequential_12"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
dense_42 (Dense) (None, 64) 640
dense_43 (Dense) (None, 64) 4160
dense_44 (Dense) (None, 1) 65
=================================================================
Total params: 4,865
Trainable params: 4,865
Non-trainable params: 0
_____________________________
Ahora tome otro modelo
example_batch = normed_train_data[:10]
example_result = model.predict(example_batch)
print(example_result)
count
mean
std
min
25%
50%
75%
max
Cylinders
314.0
5.477707
1.699788
3.0
4.00
4.0
8.00
8.0
Displacement
314.0
195.318471
104.331589
68.0
105.50
151.0
265.75
455.0
Horsepower
314.0
104.869427
38.096214
46.0
76.25
94.5
128.00
225.0
Weight
314.0
2990.251592
843.898596
1649.0
2256.50
2822.5
3608.00
5140.0
Acceleration
314.0
15.559236
2.789230
8.0
13.80
15.5
17.20
24.8
Model Year
314.0
75.898089
3.675642
70.0
73.00
76.0
79.00
82.0
USA
314.0
0.624204
0.485101
0.0
0.00
1.0
1.00
1.0
Europe
314.0
0.178344
0.383413
0.0
0.00
0.0
0.00
1.0
Japan
314.0
0.197452
0.398712
0.0
0.00
0.0
0.00
1.0
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1538
[[-0.26191565]
[-0.06376351]
[ 0.5379154 ]
[-0.16877869]
[-0.05534531]
[-0.06515738]
[-0.08105768]
[-0.07248831]
[-0.01380318]
[-0.09675659]]
Entrenar el modelo
history=model.fit(normed_train_data,train_labels,
epochs=1000,
validation_split=0.2, # Utilice el 20% del conjunto de formación como conjunto de validación
verbose=0, # No muestra la barra de progreso
callbacks=[PrintDot()]) # La función de devolución de llamada es PrintDot
Visualice el proceso
hist.tail()
loss
mae
mse
val_loss
val_mae
val_mse
epoch
995
2.595970
0.978913
2.595970
11.760169
2.524347
11.760169
995
996
2.479838
0.976182
2.479838
11.067865
2.483008
11.067865
996
997
2.674930
1.019684
2.674930
11.104455
2.580837
11.104455
997
998
2.610440
0.966319
2.610440
10.906663
2.532035
10.906663
998
999
2.501746
1.019541
2.501746
10.737952
2.528607
10.737952
999
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1539
ef plot_history(history):
hist = pd.DataFrame(history.history)
hist['epoch'] = history.epoch
plt.figure()
plt.xlabel('Epoch')
plt.ylabel('Mean Abs Error [MPG]')
plt.plot(hist['epoch'], hist['mae'], # (x,y)
label='Train Error') # El nombre del segmento de línea es el nombre en la tarjeta de etiqueta
lt.plot(hist['epoch'], hist['val_mae'],
label = 'Val Error')
plt.ylim([0,5])
plt.legend()
plt.figure()
plt.xlabel('Epoch')
plt.ylabel('Mean Square Error [$MPG^2$]')
plt.plot(hist['epoch'], hist['mse'],
label='Train Error')
plt.plot(hist['epoch'], hist['val_mse'],
label = 'Val Error')
plt.ylim([0,20])
plt.legend() # Imprimir tarjeta de etiqueta
plt.show()
plot_history(history) # El gráfico muestra que después de aproximadamente 100 épocas, el er
ror no ha mejorado, sino que ha empeorado.
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1540
Este gráfico muestra poca mejora, o incluso degradación en el error de validación
después de aproximadamente 100 épocas. Actualicemos la llamada model.fit para detener
automáticamente el entrenamiento cuando el puntaje de validación no mejore. Utilizaremos
una * devolución de llamada de EarlyStopping * que pruebe una condición de entrenamiento
para cada época. Si transcurre una cantidad determinada de épocas sin mostrar mejoría,
entonces detiene automáticamente el entrenamiento.
plt.scatter(test_labels,test_predictions)
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1541
plt.xlabel('True values [MPG]')
plt.ylabel("Predictions [MPG]")
plt.axis('equal') # proporción
plt.axis('square')
plt.xlim([0,plt.xlim()[1]])
plt.ylim([0,plt.ylim()[1]])
_ = plt.plot([-100,100],[-100,100]) # Dibuja un segmento de línea que pase por (-100, -
100) y (100, 100)
Parece que nuestro modelo predice razonablemente bien. Echemos un vistazo a la
distribución de errores.
error=test_predictions-test_labels
plt.hist(error,bins=25)
plt.xlabel("PredictionError[MPG]")
_ = plt.ylabel("Count")
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1542
Conclusiones
En esta investigación se introdujo algunas técnicas para manejar un problema de
regresión.
• El error cuadrático medio (MSE) es una función de pérdida común utilizada para
problemas de regresión (se utilizan diferentes funciones de pérdida para problemas de
clasificación).
• Del mismo modo, las métricas de evaluación utilizadas para la regresión difieren de la
clasificación. Una métrica de regresión común es el error absoluto medio (MAE).
• Cuando las características de datos de entrada numéricos tienen valores con diferentes
rangos, cada característica debe escalarse independientemente al mismo rango.
• Si no hay muchos datos de entrenamiento, una técnica es preferir una red pequeña con
pocas capas ocultas para evitar el sobreajuste.
• La detención temprana es una técnica útil para evitar el sobreajuste.
Referencias bibliográficas
Álvarez Cedillo, J. A., Álvarez Sánchez, T., Sandoval Gómez, R. J., & Aguilar Fernández, M.
(2019). La exploración en el desarrollo del aprendizaje profundo / The Exploration in
the Develop Deep Learning. RIDE Revista Iberoamericana Para La Investigación y El
Desarrollo Educativo, 9(18). https://doi.org/10.23913/ride.v9i18.474
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1543
Aldas, D., Reyes, J., Morales, L., Nuñez, J., & Toaza, B. (2018). Impacts Analysis Towards a
Sustainable Urban Public Transport System. International Conference on Operations
Research and Enterprise Systems (ICORES).
API design for machine learning software: experiences from the scikit-learn project, Buitinck
et al., 2013.
Árboles de decisión con Python: regresión y clasificación by Joaquín Amat Rodrigo,
available under a Attribution 4.0 International (CC BY 4.0) at
https://www.cienciadedatos.net/documentos/py07_arboles_decision_python.html
Cabanelas Omil, J. (2019). Inteligencia artificial ¿Dr. Jekyll o Mr. Hyde? Mercados y
Negocios: Revista de Investigación y y Análisis, 0(40).
CAF, B. d. (2017). Banco de Desarrollo de América Latina. Recuperado el 23 de Febrero de
2018, de https://www.caf.com/es/actualidad/noticias/2017/10/mejorar-lamovilidad-en-
las-ciudades-coadyuvara-al-desarrollo-de-américalatina/?parent=14062
Campos, Á. (2019). Análisis de datos financieros con técnicas de Machine Learning.
https://repositorio.comillas.edu/xmlui/bitstream/handle/11531/32146/TFGCamposMa
rtAn%2CAlvaro.pdf?sequence=1&isAllowed=y
Carlos, J., & Monsálvez, G. (2017). Python como primer lenguaje de programación textual en
la Enseñanza Secundaria Python as First Textual Programming Language in
Secondary Education. 18, 147–162.
Ceballos, J. (2020). Google Drive como entorno virtual de investigación científica para el
desarrollo de la escritura académica. Universidad Privada Del Estado de México
Instituto Americano Cultural S. C., 75, 14–21.
Chanchí Golondrino, G. E., Campo Muñoz, W. Y., & Sierra Martinez, L. M. (2020).
Aplicación de la regresión polinomial para la caracterización de la curva del
COVID-19, mediante técnicas de machine Learning.
Dividamos la data de entrenamiento y prueba.
https://www.tensorflow.org/tutorials/keras/regression?hl=es-
419#dividamos_la_data_en_entrenamiento_y_prueba
El Modelo https://www.tensorflow.org/tutorials/keras/regression?hl=es-
419#construye_el_modelo
Google, «Google Drive: almacenamiento de archivos en línea para empresas | Google
Workspace», 2012.
https://workspace.google.com/intl/es419/products/drive/?utm_source=google&utm_m
ediu m=cpc&utm_campaign=latam-T1-all-es-dr-bkws-allall-trial-e-dr-1009897-
LUAC0012558&utm_content=text-ad-none-anyDEV_c-CRE_479487543818-
ADGP_Hybrid %7C BKWS - MIX %7C Txt ~ (accedido feb. 27, 2021).
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1544
Grandell, L., Peltomäki, M., Back, R. J., & Salakoski, T. (2006). Why complicate things?:
introducing programming in high school using Python. In Proceedings of the 8th
Australasian Conference on Computing Education-Volume 52 (pp. 71-80). Australian
Computer Society, Inc.
https://doi.org/10.29057/icbi.v7iEspecial.4785
Kampelis, N., Tsekeri, E., Kolokotsa, D., Kalaitzakis, K., Isidori, D., & Cristalli, C. (2018).
Development of demand response energy management optimization at building and
district levels using genetic algorithm and artificial neural network modelling power
predictions. Energies, 11(11). https://doi.org/10.3390/en11113012
López, A. (2018). Fundamentos Matemáticos de los Métodos Kernel para Aprendizaje
Supervisado. 73.
Perez, D. P., Bustillos, R. S., Botto-Tobar, M., & Mora, C. M. (2021). X-Ray Images
Analysis by Medium Artificial Neural Network. Ecuadorian Science Journal, 5(1),
55–60. https://doi.org/10.46480/esj.5.1.50
Salvador, V. L., Mamaqi, X., & Bordes, J. V. (2020). Artificial intelligence: Theoretical,
formative and communicative challenges of datification. In Icono14 (Vol. 18, Issue
1). https://doi.org/10.7195/RI14.V18I1.1434
Sandoval, L. (2018). Algoritmos de aprendizaje automático para análisis y predicción de
datos. 11, 36–40.
http://www.redicces.org.sv/jspui/bitstream/10972/3626/1/Art6_RT2018.pdf
Sepúlvera, G., Vega-Alvarado, E., & Portilla-Floresa, E. A. (2019). Machine Learning para
Robots, del Entrenamiento Virtual a la Tarea Real. Pädi Boletín Científico de
Ciencias Básicas e Ingenierías Del ICBI, 7(Especial), 14–18.
R. Joaquín Amat, «Correlación lineal y Regresión lineal simple», 2016.
https://www.cienciadedatos.net/documentos/24_correl acion_y_regresion_lineal.html
(accedido feb. 26, 2021).
Talens, R. (2020). La relación entre los casos de Covid-19 y su impacto en Twitter.
Tandon, N., Mishra, B. D., Sakaguchi, K., Bosselut, A., & Clark, P. (2020). Wiqa: A dataset
for “What if...” reasoning over procedural text. EMNLP-IJCNLP 2019 - 2019
Conference on Empirical Methods in Natural Language Processing and 9th
International Joint Conference on Natural Language Processing, Proceedings of the
Conference. https://doi.org/10.18653/v1/d19-1629
Tu, Y. (2019). Machine learning. In EEG Signal Processing and Feature Extraction.
https://doi.org/10.1007/978-981-13-9113-2_15
Código Científico Revista de Investigación Vol. 5 – Núm. 1 / Enero – Junio – 2024
1545
Xin, Y., 2018. Machine Learning and Deep Learning Methods for Cybersecurity, IEEE
Access.
Zamorano, J. (2018). Comparativa Y Análisis De Algoritmo
Zheng, B., & Zhang, J. (2019). Finite Element Analysis of the Brake Drum Based on ANSYS
APDL. IOP Conference Series: Materials Science and Engineering, 472(1).
https://doi.org/10.1088/1757-899X/472/1/012081
Zou, D., Cao, Y., Zhou, D., & Gu, Q. (2020). Gradient descent optimizes overparameterized
deep ReLU networks. Machine Learning, 109(3). https://doi.org/10.1007/s10994-019-
05839