Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado
RESUMEN : este documento presenta los resultados de un proyecto de aprendizaje automático para analizar la criminalidad en la ciudad de Nueva York a partir de denuncias de distintos tipos de delitos registrados en un histórico de 2016 a 2019. El objetivo principal fue implementar modelos de agrupami...
- Autores:
-
Ceballos Sánchez, Juan David
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2023
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/35747
- Acceso en línea:
- https://hdl.handle.net/10495/35747
- Palabra clave:
- Visualización de datos
Data visualization
Aprendizaje automático (inteligencia artificial)
Machine learning
Delitos
Prevención del delito
clúster
Aprendizaje automático no supervisado
Big data
Variables categóricas
http://vocabularies.unesco.org/thesaurus/concept17105
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UDEA2_0471cef5615f89898461ba4b2c2123b2 |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/35747 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado |
| title |
Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado |
| spellingShingle |
Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado Visualización de datos Data visualization Aprendizaje automático (inteligencia artificial) Machine learning Delitos Prevención del delito clúster Aprendizaje automático no supervisado Big data Variables categóricas http://vocabularies.unesco.org/thesaurus/concept17105 |
| title_short |
Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado |
| title_full |
Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado |
| title_fullStr |
Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado |
| title_full_unstemmed |
Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado |
| title_sort |
Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado |
| dc.creator.fl_str_mv |
Ceballos Sánchez, Juan David |
| dc.contributor.advisor.none.fl_str_mv |
Oviedo Carrascal, Efraín Alberto |
| dc.contributor.author.none.fl_str_mv |
Ceballos Sánchez, Juan David |
| dc.subject.unesco.none.fl_str_mv |
Visualización de datos Data visualization |
| topic |
Visualización de datos Data visualization Aprendizaje automático (inteligencia artificial) Machine learning Delitos Prevención del delito clúster Aprendizaje automático no supervisado Big data Variables categóricas http://vocabularies.unesco.org/thesaurus/concept17105 |
| dc.subject.lemb.none.fl_str_mv |
Aprendizaje automático (inteligencia artificial) Machine learning Delitos Prevención del delito |
| dc.subject.proposal.spa.fl_str_mv |
clúster Aprendizaje automático no supervisado Big data Variables categóricas |
| dc.subject.unescouri.none.fl_str_mv |
http://vocabularies.unesco.org/thesaurus/concept17105 |
| description |
RESUMEN : este documento presenta los resultados de un proyecto de aprendizaje automático para analizar la criminalidad en la ciudad de Nueva York a partir de denuncias de distintos tipos de delitos registrados en un histórico de 2016 a 2019. El objetivo principal fue implementar modelos de agrupamiento que permitieran categorizar y agrupar los distintos tipos de crímenes en tres de los cinco distritos de la ciudad: Brooklyn, Bronx y Manhattan, con el fin encontrar patrones, entender y generar conocimiento y estrategias que permitan a las agencias encargadas de la ley y otros entes de seguridad desplegar sus recursos de manera más eficiente. Para lograr lo planteado se implementaron los algoritmos KMeans y KModes y, a pesar de la complejidad del problema y la estructura de los datos, se encontró un patrón marcado en cada modelo por medio del cual se puede interpretar y caracterizar cómo son los principales tipos de crímenes en los tres distritos. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-07-04T16:25:51Z |
| dc.date.available.none.fl_str_mv |
2023-07-04T16:25:51Z |
| dc.date.issued.none.fl_str_mv |
2023 |
| dc.type.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Especialización |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_46ec |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/COther |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/other |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/draft |
| format |
http://purl.org/coar/resource_type/c_46ec |
| status_str |
draft |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10495/35747 |
| url |
https://hdl.handle.net/10495/35747 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
46 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de Antioquia |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería. Especialización en Analítica y Ciencia de Datos |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/b2efc63f-f88c-4b5d-acdc-28454b1127e5/download https://bibliotecadigital.udea.edu.co/bitstreams/9c65d04a-20e4-49db-a1c6-6368e791d576/download https://bibliotecadigital.udea.edu.co/bitstreams/c1a47460-cc39-41f8-b30a-1da0df501373/download https://bibliotecadigital.udea.edu.co/bitstreams/14b746e2-1913-44f5-beaa-5cc006351c44/download https://bibliotecadigital.udea.edu.co/bitstreams/7dc2a3fa-e2c8-4ebb-b532-c275aa650b2d/download |
| bitstream.checksum.fl_str_mv |
b88b088d9957e670ce3b3fbe2eedbc13 8a4605be74aa9ea9d79846c1fba20a33 42f84d6981bf7f0bca48afbccf505869 e664d68ab51ea4e8cf4c1267b45f8932 dece0ade5f6d155f231f531616e325db |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional de la Universidad de Antioquia |
| repository.mail.fl_str_mv |
aplicacionbibliotecadigitalbiblioteca@udea.edu.co |
| _version_ |
1851052232918695936 |
| spelling |
Oviedo Carrascal, Efraín AlbertoCeballos Sánchez, Juan David2023-07-04T16:25:51Z2023-07-04T16:25:51Z2023https://hdl.handle.net/10495/35747RESUMEN : este documento presenta los resultados de un proyecto de aprendizaje automático para analizar la criminalidad en la ciudad de Nueva York a partir de denuncias de distintos tipos de delitos registrados en un histórico de 2016 a 2019. El objetivo principal fue implementar modelos de agrupamiento que permitieran categorizar y agrupar los distintos tipos de crímenes en tres de los cinco distritos de la ciudad: Brooklyn, Bronx y Manhattan, con el fin encontrar patrones, entender y generar conocimiento y estrategias que permitan a las agencias encargadas de la ley y otros entes de seguridad desplegar sus recursos de manera más eficiente. Para lograr lo planteado se implementaron los algoritmos KMeans y KModes y, a pesar de la complejidad del problema y la estructura de los datos, se encontró un patrón marcado en cada modelo por medio del cual se puede interpretar y caracterizar cómo son los principales tipos de crímenes en los tres distritos.ABSTRACT : this document presents the results of a machine learning project aimed at analyzing crime in the city of New York based on reported incidents of various types of crimes recorded from 2016 to 2019. The main objective was to implement clustering models that would allow for categorizing and grouping the different types of crimes in three out of the five boroughs of the city: Brooklyn, Bronx, and Manhattan. The goal was to identify patterns, gain understanding, and generate knowledge and strategies that would enable law enforcement agencies and other security entities to deploy their resources more efficiently. To achieve this, the KMeans and KModes algorithms were implemented. Despite the complexity of the problem and the structure of the data, a distinct pattern was found in each model, which can be interpreted and characterized to understand the main types of crimes in the three boroughs.EspecializaciónEspecialista en Analítica y Ciencia de Datos46application/pdfspaUniversidad de AntioquiaMedellín, ColombiaFacultad de Ingeniería. Especialización en Analítica y Ciencia de Datoshttp://creativecommons.org/licenses/by-nc-nd/2.5/co/https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisadoTesis/Trabajo de grado - Monografía - Especializaciónhttp://purl.org/coar/resource_type/c_46echttp://purl.org/redcol/resource_type/COtherhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/draftVisualización de datosData visualizationAprendizaje automático (inteligencia artificial)Machine learningDelitosPrevención del delitoclústerAprendizaje automático no supervisadoBig dataVariables categóricashttp://vocabularies.unesco.org/thesaurus/concept17105PublicationCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8823https://bibliotecadigital.udea.edu.co/bitstreams/b2efc63f-f88c-4b5d-acdc-28454b1127e5/downloadb88b088d9957e670ce3b3fbe2eedbc13MD54falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/9c65d04a-20e4-49db-a1c6-6368e791d576/download8a4605be74aa9ea9d79846c1fba20a33MD55falseAnonymousREADORIGINALCeballosJuan_2023_ClasificacionCrimenesNY.pdfCeballosJuan_2023_ClasificacionCrimenesNY.pdfTrabajo de grado de especializaciónapplication/pdf787414https://bibliotecadigital.udea.edu.co/bitstreams/c1a47460-cc39-41f8-b30a-1da0df501373/download42f84d6981bf7f0bca48afbccf505869MD51trueAnonymousREADTEXTCeballosJuan_2023_ClasificacionCrimenesNY.pdf.txtCeballosJuan_2023_ClasificacionCrimenesNY.pdf.txtExtracted texttext/plain77116https://bibliotecadigital.udea.edu.co/bitstreams/14b746e2-1913-44f5-beaa-5cc006351c44/downloade664d68ab51ea4e8cf4c1267b45f8932MD56falseAnonymousREADTHUMBNAILCeballosJuan_2023_ClasificacionCrimenesNY.pdf.jpgCeballosJuan_2023_ClasificacionCrimenesNY.pdf.jpgGenerated Thumbnailimage/jpeg6885https://bibliotecadigital.udea.edu.co/bitstreams/7dc2a3fa-e2c8-4ebb-b532-c275aa650b2d/downloaddece0ade5f6d155f231f531616e325dbMD57falseAnonymousREAD10495/35747oai:bibliotecadigital.udea.edu.co:10495/357472025-03-26 19:01:43.686http://creativecommons.org/licenses/by-nc-nd/2.5/co/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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 |