Conservación de la precisión de un modelo de Machine Learning por medio de un flujo de reentrenamiento automatizado para predecir el índice de infección por COVID 19 en el Perú

• Autor: Palomino Gutierrez, Erick Victor
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional Mayor de San Marcos
• Repositorio: UNMSM-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.unmsm.edu.pe:20.500.12672/25122
• Enlace del recurso: https://hdl.handle.net/20.500.12672/25122
• Nivel de acceso: acceso abierto
• Materia: Predicciones; Redes neuronales (Computación); Covid-19; https://purl.org/pe-repo/ocde/ford#1.02.01

Este trabajo presenta un enfoque de reentrenamiento automático de un modelo de predicción de índice de infección por COVID 19 en el Perú con el objetivo de tener una herramienta de planificación protocolar y estratégica para contrarrestar esta infección y que tenga una precisión que perdure a lo largo del tiempo. Para el desarrollo del modelo se utilizó una red neuronal recurrente Long short-term memory (LSTM) y una fuente de datos constantemente actualizada, fundamental para la aplicación del reentramiento. Los modelos producidos por este enfoque flujo automatizado durante dos meses de reentrenamiento semanal cuentan con un coeficiente de determinación y raíz del error cuadrático medio en promedio de 0.994 y 260.944 respectivamente. Comparado con otros trabajos, los modelos producidos tienen la ventaja de ser entrenados semanalmente con datos actualizados, manteniendo una precisión duradera y se comprobó, además, la efectividad de un proceso automatizado de reentrenamiento de modelos de machine learning.