Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19

Este trabajo consistió en la realización de una serie de predicciones de la pandemia covid-19 en Colombia. Presentándose 2 tipos de modelos, modelos de machine learning y modelos analíticos basados en ecuaciones diferenciales. De modelos analíticos se realizaron 2 y de modelos basados en machine lea...

Full description

Autores:
Prado Medina, Santiago
Quintero Rodriguez, Santiago Andres
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2020
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.unimilitar.edu.co:10654/38613
Acceso en línea:
http://hdl.handle.net/10654/38613
Palabra clave:
EPIDEMIOLOGIA - MODELOS MATEMATICOS
Machine learning
Epidemiology
Linear Regression
Support Vector Machine
Long Short Term Memory
Deep Learning
EPIDEMIAS
COVID-19 (ENFERMEDAD)
Machine learning
Epidemiologia
Regresion lineal
Support Vector Machine
Long Short Term Memory
Deep Learning
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIMILTAR2_d28306655938bf48b13b07e9deb6a406
oai_identifier_str oai:repository.unimilitar.edu.co:10654/38613
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19
dc.title.translated.spa.fl_str_mv Exploring the use of machine learning techniques to obtain projections of the behavior of the Covid 19 pandemic
title Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19
spellingShingle Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19
EPIDEMIOLOGIA - MODELOS MATEMATICOS
Machine learning
Epidemiology
Linear Regression
Support Vector Machine
Long Short Term Memory
Deep Learning
EPIDEMIAS
COVID-19 (ENFERMEDAD)
Machine learning
Epidemiologia
Regresion lineal
Support Vector Machine
Long Short Term Memory
Deep Learning
title_short Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19
title_full Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19
title_fullStr Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19
title_full_unstemmed Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19
title_sort Exploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19
dc.creator.fl_str_mv Prado Medina, Santiago
Quintero Rodriguez, Santiago Andres
dc.contributor.advisor.none.fl_str_mv Velasco Toledo, Nelson Fernando
dc.contributor.author.none.fl_str_mv Prado Medina, Santiago
Quintero Rodriguez, Santiago Andres
dc.subject.lemb.spa.fl_str_mv EPIDEMIOLOGIA - MODELOS MATEMATICOS
topic EPIDEMIOLOGIA - MODELOS MATEMATICOS
Machine learning
Epidemiology
Linear Regression
Support Vector Machine
Long Short Term Memory
Deep Learning
EPIDEMIAS
COVID-19 (ENFERMEDAD)
Machine learning
Epidemiologia
Regresion lineal
Support Vector Machine
Long Short Term Memory
Deep Learning
dc.subject.keywords.spa.fl_str_mv Machine learning
Epidemiology
Linear Regression
Support Vector Machine
Long Short Term Memory
Deep Learning
dc.subject.armarc.spa.fl_str_mv EPIDEMIAS
COVID-19 (ENFERMEDAD)
dc.subject.proposal.spa.fl_str_mv Machine learning
Epidemiologia
Regresion lineal
Support Vector Machine
Long Short Term Memory
Deep Learning
description Este trabajo consistió en la realización de una serie de predicciones de la pandemia covid-19 en Colombia. Presentándose 2 tipos de modelos, modelos de machine learning y modelos analíticos basados en ecuaciones diferenciales. De modelos analíticos se realizaron 2 y de modelos basados en machine learning 3, posteriormente se realizaron las correspondientes evaluaciones de los modelos y su comparación, encontrando que modelos son los que presentan el mejor desempeño en este problema en particular.
publishDate 2020
dc.date.issued.none.fl_str_mv 2020-09-21
dc.date.accessioned.none.fl_str_mv 2021-08-30T22:01:20Z
dc.date.available.none.fl_str_mv 2021-08-30T22:01:20Z
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.*.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10654/38613
dc.identifier.instname.spa.fl_str_mv instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unimilitar.edu.co
url http://hdl.handle.net/10654/38613
identifier_str_mv instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
repourl:https://repository.unimilitar.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv Organización mundial de la salud, «COVID-19: cronología de la actuación de la OMS», who.int, 2020. https://www.who.int/es/news/item/27-04-2020-who-timeline---covid-19.
REDACCIÓN MÉDICA, «La OMS declara la alerta internacional ante la expansión del coronavirus», ene. 30, 2020.
Semana, «¡Sin camas! La odisea de pacientes covid para encontrar cupo en las UCI», ene. 09, 2021.
M. C. Torres y M. I. Magaña, «En datos: La capacidad instalada del sistema de salud colombiano», Colombiacheck, abr. 01, 2020. https://colombiacheck.com/investigaciones/en-datos-la-capacidad-instalada-del-sistemade-salud-colombiano.
infobae, «Así está la ocupación de camas UCI en las principales ciudades de Colombia», ene. 10, 2021. https://www.infobae.com/america/colombia/2021/01/11/asi-esta-la-ocupacion-de-camas -uci-en-las-principales-ciudades-de-colombia/.
Ministerio de Salud, «Total de camas UCI en el país para la atención de covid-19 incrementó 91%», minsalud, sep. 07, 2020. https://www.minsalud.gov.co/Paginas/Total-de-camas-UCI-en-el-pais-para-la-atencionde-covid-19-incremento-91.aspx.
El tiempo, «Conozca dónde y cómo puede hacerse la prueba de covid-19 en su ciudad», dic. 18, 2020.
Instituto Nacional de Salud- Colombia & Observatorio Nacional de Salud, «Modelo de transmisión de coronavirus COVID-19», abr. 2020. https://www.ins.gov.co/Direcciones/ONS/SiteAssets/Modelo%20COVID-19%20Colom bia%20INS_v5.pdf.
B. Ndiaye, L. Tendeng, y D. Seck, «Analysis of the COVID-19 pandemic by SIR model and Machine Learning technics for forecasting». arxiv.org, abr. 03, 2020, [En línea]. Disponible en: https://arxiv.org/abs/2004.01574.
M. Baldé, «Fitting SIR model to COVID-19 pandemic data and comparative forecasting with Machine Learning». Medrxiv, may 01, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.04.26.20081042v1.
Google, «Coronavirus (COVID 19)», Google Noticias, 2021. https://news.google.com/covid19/map?hl=es-419&gl=CO&ceid=CO%3Aes-419.
Organización mundial de la Salud & Organización panamericana de la Salud, «Reportes de Situación COVID-19: Colombia | OPS/OMS | Organización Panamericana de la Salud», Reportes de Situación COVID-19: Colombia, 2021. https://www.paho.org/es/reportes-situacion-covid-19-colombia.
Google, «Coronavirus (COVID 19) - Colombia», Google News, 2021. .
N. Sebastian, «La respuesta inmunitaria frente a la COVID-19.», Gaceta Médica., ene. 07, 2021. https://gacetamedica.com/investigacion/la-respuesta-inmunitaria-frente-a-la-covid-19-d uraria-entre-6-y-9-meses-y-la-posibilidad-de-reinfeccion-es-baja/.
O. A. Montesinos y C. M. Hernández, Modelos matemáticos para enfermedades infecciosas. Scientific Electronic Library Online, 2007.
] Bill & Melinda Gates Foundation, «SIR and SIRS models — Generic Model documentation», EMOD, 2021. https://docs.idmod.org/projects/emod-generic/en/latest/model-sir.html.
«R_t COVID-19 Colombia», Sociedad Colombiana de Matemáticas, 2020. 69 http://scm.org.co/r0-covid-19/.
M. Dashtbali, «Optimal control and differential game solutions for social distancing in response to epidemics of infectious diseases on networks». Wiley Online Library, nov. 01, 2020, [En línea]. Disponible en: https://onlinelibrary.wiley.com/doi/full/10.1002/oca.2650.
Bolyai Institute & University of Szeged, «Influenza models with Wolfram Mathematica». 2011, [En línea]. Disponible en: http://www.math.u-szeged.hu/~rost/papers/Rost2011ebookKnipl.pdf.
INS Instituto Nacional de Salud, «COVID-19 en Colombia», COVID-19 en Colombia. Instituto Nacional de Salud- Página Oficial, 2021. https://www.ins.gov.co/Noticias/Paginas/coronavirus-conglomerados.aspx.
Observatorio de salud de Bogotá, «Enfermedades transmisibles - Modelo COVID», Saludata, 2021. https://saludata.saludcapital.gov.co/osb/index.php/datos-de-salud/enfermedades-trasmisi bles/modelo-covid/.
Sociedad Colombiana de Matemáticas, «Recuperado 2021», MATCOVID-19 – Sociedad Colombiana de Matemáticas., 2021. https://scm.org.co/matcovid-19-webinars/.
Institute of Global Health, Faculty of Medicine, University of Geneva, & Swiss Data Science Center, ETH Zürich-EPFL, «COVID-19 Daily Epidemic Forecasting». 2021, [En línea]. Disponible en: https://renkulab.shinyapps.io/COVID-19-Epidemic-Forecasting/_w_0db15ef2/?tab=jhu _pred&country=Switzerland.
Banco Central de Chile., «Real-Time Estimates of the Effective Reproduction Rate (R ) of COVID-19. Tracking R». 2021, [En línea]. Disponible en: http://www.globalrt.live/.
Sociedad Colombiana de Matemáticas, «Modelamiento COVID-19», Sociedad Colombiana de Matemáticas, 2021. https://scm.org.co/modelamiento-covid-19/#1588342484246-0aa7f910-0bb6.
Instituto Nacional de Salud., «Estimación de número reproductivo efectivo Rt para COVID 19 en Colombia», Número reproductivo efectivo Rt Nacional, 2021. https://www.ins.gov.co/Direcciones/ONS/modelos-de-estimacion.
Scientific Electronic Library Online, «Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia». Revista pública, 2020, [En línea]. Disponible en: http://www.scielo.org.co/pdf/rsap/v22n2/0124-0064-rsap-22-02-e286432.pdf.
C. Tomé, «El modelo SIR, un enfoque matemático de la propagación de infecciones». Cuaderno de Cultura Cientifica, ago. 24, 2020, [En línea]. Disponible en: https://culturacientifica.com/2020/08/24/el-modelo-sir-un-enfoque-matematico-de-la-pr opagacion-de-infecciones/.
S. Garhawl, A. Ahmad, S. Ray, G. Kumar, S. Malebary, y O. Barukab, «The Number of Confirmed Cases of Covid-19 by using Machine Learning: Methods and Challenges». Springer Link, ago. 04, 2020.
M. Akhtar, M. Kraemer, y L. Gardner, «A dynamic neural network model for predicting risk of Zika in real time». BMC Medicine, sep. 02, 2019, [En línea]. Disponible en: https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1389-3?ref=hacke rnoon.com.
K. Murphy, Probabilistic Machine Learning: An Introduction. MIT Press, 2021.
A. Menon, «Linear Regression Using Least Squares», Towardsdatascience.com, sep. 08, 2018. https://towardsdatascience.com/linear-regression-using-least-squares-a4c3456e8570.
G. Rajan, G. Pandey, P. Chaudhary, y S. Pal, «SEIR and Regression Model based COVID-19 outbreak predictions in India». medRixiv, abr. 03, 2020, [En línea]. 70 Disponible en: https://www.medrxiv.org/content/10.1101/2020.04.01.20049825v1.
M. Batista, «Estimation of the final size of the COVID-19 epidemic». medRixiv, feb. 28, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.02.16.20023606v5.
M. Batista, «Estimation of the final size of the second phase of the coronavirus COVID 19 epidemic by the logistic model». medRixiv, mar. 17, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.03.11.20024901v2.
J. P. Rueda, «Así va Colombia en pruebas para detectar covid-19», ago. 13, 2020.
Y. Li et al., «COVID-19 Epidemic Outside China: 34 Founders and Exponential Growth». medRixiv, mar. 05, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.03.01.20029819v2.
J. Rodrigo, «Máquinas de Vector Soporte (Support Vector Machines, SVMs)». www.cienciadedatos.net, abr. 2017, [En línea]. Disponible en: https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_support_ vector_machines#M%C3%A1quinas_de_Vector_Soporte.
T. Sharp, «An Introduction to Support Vector Regression (SVR)», Towardsdatascience.com, mar. 03, 2020. https://towardsdatascience.com/an-introduction-to-support-vector-regression-svr-a3ebc1 672c2.
V. Singh et al., «Prediction of COVID-19 corona virus pandemic based on time series data using support vector machine». tandfonline, dic. 14, 2020, [En línea]. Disponible en: https://www.tandfonline.com/doi/abs/10.1080/09720529.2020.1784535.
F. Rustam et al., «COVID-19 Future Forecasting Using Supervised Machine Learning Models». IEEE Xplore, may 25, 2020, [En línea]. Disponible en: https://ieeexplore.ieee.org/document/9099302.
S. Sreenivasa, «Radial Basis Function (RBF) Kernel: The Go-To Kernel», towardsdatascience.com, oct. 12, 2020. https://towardsdatascience.com/radial-basis-function-rbf-kernel-the-go-to-kernel-acf0d2 2c798a.
A. Mañas, «Notas sobre pronóstico del flujo de tráfico en la ciudad de Madrid», bookdown.org, jun. 16, 2019. https://bookdown.org/amanas/traficomadrid/resumen.html.
Z. Yang et al., «Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions.» PMC, mar. 12, 2020, [En línea]. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7139011/.
S. Bandyopadhyay y S. Dutta, «Machine Learning Approach for Confirmation of COVID-19 Cases: Positive, Negative, Death and Release». medRixiv, mar. 30, 202d. C., [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.03.25.20043505v1.
R. Salas, «Redes Neuronales Artificiales. Redes Neuronales Artificiales.» Universidad de Valparaiso, 2021, [En línea]. Disponible en: https://d1wqtxts1xzle7.cloudfront.net/50358783/Redes_Neuronales_Artificiales.pdf?14 79332205=&response-content-disposition=inline%3B+filename%3DRedes_Neuronales _Artificiales.pdf&Expires=1615913947&Signature=BizcRaXlTjoU4xI8oODm4iW3orE SZP272uj9jVq4Z-WuheWSNfp~gfY4G0l2TyyCZYzue4bWLHEOPGg06fwnYVv~SxT cdsOgo2G5cLbeneWLSvfQX1Bn~OPvtGCev0lgu314kn-4PkQ1i4VfDJ26bdPrbRcq6r OoecpjY6wE2JcMVAXAi1oywlgiYyLReOgWrHxsLDrVD~JafEaOLCcvlWeQnYVC~ LM6birjhyqyvuAhqx4~oe6~IhFI32Dnt2Q2bR-uHfuJJExf5GxDdOD-Zfl3D~~OtAMfu TUpvzFJZ4-MWyBQcWgecjQjgxehJHUyVbWvs8ELJGcW-9eRPmtu1A__&Key-PairId=APKAJLOHF5GGSLRBV4ZA.
D. Matich, «Redes Neuronales: Conceptos Básicos y Aplicaciones.» Universidad 71 tecnologica nacional, 2001, [En línea]. Disponible en: https://d1wqtxts1xzle7.cloudfront.net/36957218/redesneuronales.pdf?1426217658=&re sponse-content-disposition=inline%3B+filename%3DRedes_Neuronales_Conceptos_B asicos_y_Apl.pdf&Expires=1615915935&Signature=Aka6kUaRRgbX2M~cM8OJJS3S SInVoXf8nx4lJ1z3hOU21BjlM74JXS4BVQrzFqiLfD9v7bkL5kNINn5XdIXw2Y3ytHJ qY0gMoA0JutwF4apv81W~qi8iZORKgI7rVOhJ9ryeJJyfFZaH1WhbHaHAIzP~-NgO ROZY0Oj5S5IIvE4SYRsuOsdrR4Hxqwc-YEgEJhGQx6GBGYWFoWyU1ENLnFsHx 4AUbSil~tu-AmJ-mHbBGaQSycCTthf6ARvHuJo4l0uxEDX5J5DDN2XSTdaZ0n4QO AUZJpYnp0KfkzR8LV8gdUSSef95XspPtRwE8mqadGOXBnq8xyOoZjRpAnDfRQ__ &Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA.
H. Tandon, P. Ranjan, T. Chakraboty, y V. Suhag, «Coronavirus (COVID-19): ARIMA based time-series analysis to forecast near future». arxiv.org, abr. 16, 2020, [En línea]. Disponible en: https://arxiv.org/abs/2004.07859.
M. Maleki, M. Mahmoudi, D. Wraith, y K.-H. Pho, «Time series modelling to forecast the confirmed and recovered cases of COVID-19». sciencedirect, mar. 13, 2020, [En línea]. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S1477893920302210.
D. Parbat y M. Chakraborty, «A python based support vector regression model for prediction of COVID19 cases in India». sciencedirect, may 31, 2020, [En línea]. Disponible en: https://www.sciencedirect.com/science/article/pii/S0960077920303416.
R. Domínguez-Guevara, M. del Cármen Cabrera-Hernández, M. A. Aceves-Fernández, y J. C. Pedraza-Ortega, «Propuesta de red neuronal convolutiva para la predicción de partículas contaminantes PM10». Research in Computing Science, 2019.
Keras Team, «Keras documentation: Losses. Keras documentation», 2021. https://keras.io/api/losses/#usage-of-losses-with-compile-amp-fit.
Martinez, Jose, «Error Cuadrático Medio para Regresión» iartificial.net, nov. 10, 2020, [En línea]. Disponible en: https://www.iartificial.net/error-cuadratico-medio-para-regresion/ 72
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.accessrights.*.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.spa.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv Acceso abierto
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
Acceso abierto
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv applicaction/pdf
dc.coverage.sede.spa.fl_str_mv Calle 100
dc.publisher.program.spa.fl_str_mv Ingeniería en Mecatrónica
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv Universidad Militar Nueva Granada
institution Universidad Militar Nueva Granada
bitstream.url.fl_str_mv http://repository.unimilitar.edu.co/bitstream/10654/38613/1/PradoMedinaSantiago.pdf
http://repository.unimilitar.edu.co/bitstream/10654/38613/2/license.txt
http://repository.unimilitar.edu.co/bitstream/10654/38613/3/PradoMedinaSantiago.pdf.jpg
bitstream.checksum.fl_str_mv e223edc57d9439f9436bb91eba1217d8
a609d7e369577f685ce98c66b903b91b
987452588b97250a5538aa708b52ec40
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1837098445770326016
spelling Velasco Toledo, Nelson FernandoPrado Medina, SantiagoQuintero Rodriguez, Santiago AndresIngeniero en Mecatrónica2021-08-30T22:01:20Z2021-08-30T22:01:20Z2020-09-21http://hdl.handle.net/10654/38613instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coEste trabajo consistió en la realización de una serie de predicciones de la pandemia covid-19 en Colombia. Presentándose 2 tipos de modelos, modelos de machine learning y modelos analíticos basados en ecuaciones diferenciales. De modelos analíticos se realizaron 2 y de modelos basados en machine learning 3, posteriormente se realizaron las correspondientes evaluaciones de los modelos y su comparación, encontrando que modelos son los que presentan el mejor desempeño en este problema en particular.CAPÍTULO 1. INTRODUCCIÓN 5 1.1. MOTIVACIÓN 5 1.2. ANTECEDENTES 8 1.3. PLANTEAMIENTO DEL PROBLEMA 8 1.4. JUSTIFICACIÓN 11 1.6. OBJETIVOS 11 1.6.1. OBJETIVO GENERAL 11 1.6.2. OBJETIVOS ESPECÍFICOS 11 CAPÍTULO 2. MODELOS EPIDEMIOLÓGICOS BASADOS EN ECUACIONES DIFERENCIALES 12 2.1 MODELOS EPIDEMIOLÓGICOS Y SUS VARIANTES 12 2.1.1. MODELO SIR 12 2.1.2. MODELO SEIR 14 2.1.2.1. MODELO SEAIR/SEIAR 15 2.2. USO DE MODELOS EN COLOMBIA 17 2.3. IMPLEMENTACIÓN DE MODELOS ESTÁTICOS 19 2.3.1. MODELO SIR 19 2.3.2. MODELO SEIR 22 2.3.4. ANÁLISIS DE MODELOS ESTÁTICOS 25 2.4. IMPLEMENTACIÓN MODELOS CON VALORES DE R0 DINÁMICOS 26 2.4.1 MODELO SIR 26 2.4.2. MODELO SEIR 26 2.4.3. ANÁLISIS DE MODELOS DINÁMICOS 27 CAPÍTULO 3. TÉCNICAS DE MACHINE LEARNING PARA SERIES DE TIEMPO 28 3.1. REGRESIÓN LINEAL 28 3.1.1. ESTIMACIÓN POR MÍNIMOS CUADRADOS 29 3.2. SUPPORT VECTOR MACHINE (SVM) 31 3.2.1. SVM EN SERIES DE TIEMPO 32 3.2.2. KERNEL RADIAL BASIS FUNCTION (RBF) 33 3.3.LONG SHORT TERM MEMORY ( LSTM) 33 CAPÍTULO 4. IMPLEMENTACIÓN Y VALIDACIÓN DE MODELOS 35 4.1. DATASET 35 4.2. PREPROCESAMIENTO DE DATOS 37 4.3. ESQUEMA DE VALIDACIÓN 38 4.4. APLICACIÓN DE MODELOS CLÁSICOS 40 4.4.1. SIR 41 4.4.2. SEIR 45 4.5. APLICACIÓN DE MODELOS DE MACHINE LEARNING 50 4.5.1 REGRESIÓN LINEAL 50 4.5.2. SUPPORT VECTOR REGRESSION (SVR) 54 3 4.5.3 LONG SHORT TERM MEMORY (LSTM) 61 CAPÍTULO 5 - CONCLUSIONES Y TRABAJOS FUTUROS 68 5.1. CONCLUSIONES 68 5.2. TRABAJOS FUTUROS 69 BIBLIOGRAFÍA 70 ANEXOS 74This work consisted of making a series of predictions of the covid-19 pandemic in Colombia. Presenting 2 types of models, machine learning models and analytical models based on differential equations. Two of analytical models were carried out and 3 of models based on machine learning, later the corresponding evaluations of the models and their comparison were carried out, finding which models are the ones that present the best performance in this particular problem.Pregradoapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertoExploración del uso de técnicas de machine learning para obtener proyecciones del comportamiento de la pandemia Covid 19Exploring the use of machine learning techniques to obtain projections of the behavior of the Covid 19 pandemicEPIDEMIOLOGIA - MODELOS MATEMATICOSMachine learningEpidemiologyLinear RegressionSupport Vector MachineLong Short Term MemoryDeep LearningEPIDEMIASCOVID-19 (ENFERMEDAD)Machine learningEpidemiologiaRegresion linealSupport Vector MachineLong Short Term MemoryDeep LearningTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería en MecatrónicaFacultad de IngenieríaUniversidad Militar Nueva GranadaOrganización mundial de la salud, «COVID-19: cronología de la actuación de la OMS», who.int, 2020. https://www.who.int/es/news/item/27-04-2020-who-timeline---covid-19.REDACCIÓN MÉDICA, «La OMS declara la alerta internacional ante la expansión del coronavirus», ene. 30, 2020.Semana, «¡Sin camas! La odisea de pacientes covid para encontrar cupo en las UCI», ene. 09, 2021.M. C. Torres y M. I. Magaña, «En datos: La capacidad instalada del sistema de salud colombiano», Colombiacheck, abr. 01, 2020. https://colombiacheck.com/investigaciones/en-datos-la-capacidad-instalada-del-sistemade-salud-colombiano.infobae, «Así está la ocupación de camas UCI en las principales ciudades de Colombia», ene. 10, 2021. https://www.infobae.com/america/colombia/2021/01/11/asi-esta-la-ocupacion-de-camas -uci-en-las-principales-ciudades-de-colombia/.Ministerio de Salud, «Total de camas UCI en el país para la atención de covid-19 incrementó 91%», minsalud, sep. 07, 2020. https://www.minsalud.gov.co/Paginas/Total-de-camas-UCI-en-el-pais-para-la-atencionde-covid-19-incremento-91.aspx.El tiempo, «Conozca dónde y cómo puede hacerse la prueba de covid-19 en su ciudad», dic. 18, 2020.Instituto Nacional de Salud- Colombia & Observatorio Nacional de Salud, «Modelo de transmisión de coronavirus COVID-19», abr. 2020. https://www.ins.gov.co/Direcciones/ONS/SiteAssets/Modelo%20COVID-19%20Colom bia%20INS_v5.pdf.B. Ndiaye, L. Tendeng, y D. Seck, «Analysis of the COVID-19 pandemic by SIR model and Machine Learning technics for forecasting». arxiv.org, abr. 03, 2020, [En línea]. Disponible en: https://arxiv.org/abs/2004.01574.M. Baldé, «Fitting SIR model to COVID-19 pandemic data and comparative forecasting with Machine Learning». Medrxiv, may 01, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.04.26.20081042v1.Google, «Coronavirus (COVID 19)», Google Noticias, 2021. https://news.google.com/covid19/map?hl=es-419&gl=CO&ceid=CO%3Aes-419.Organización mundial de la Salud & Organización panamericana de la Salud, «Reportes de Situación COVID-19: Colombia | OPS/OMS | Organización Panamericana de la Salud», Reportes de Situación COVID-19: Colombia, 2021. https://www.paho.org/es/reportes-situacion-covid-19-colombia.Google, «Coronavirus (COVID 19) - Colombia», Google News, 2021. .N. Sebastian, «La respuesta inmunitaria frente a la COVID-19.», Gaceta Médica., ene. 07, 2021. https://gacetamedica.com/investigacion/la-respuesta-inmunitaria-frente-a-la-covid-19-d uraria-entre-6-y-9-meses-y-la-posibilidad-de-reinfeccion-es-baja/.O. A. Montesinos y C. M. Hernández, Modelos matemáticos para enfermedades infecciosas. Scientific Electronic Library Online, 2007.] Bill & Melinda Gates Foundation, «SIR and SIRS models — Generic Model documentation», EMOD, 2021. https://docs.idmod.org/projects/emod-generic/en/latest/model-sir.html.«R_t COVID-19 Colombia», Sociedad Colombiana de Matemáticas, 2020. 69 http://scm.org.co/r0-covid-19/.M. Dashtbali, «Optimal control and differential game solutions for social distancing in response to epidemics of infectious diseases on networks». Wiley Online Library, nov. 01, 2020, [En línea]. Disponible en: https://onlinelibrary.wiley.com/doi/full/10.1002/oca.2650.Bolyai Institute & University of Szeged, «Influenza models with Wolfram Mathematica». 2011, [En línea]. Disponible en: http://www.math.u-szeged.hu/~rost/papers/Rost2011ebookKnipl.pdf.INS Instituto Nacional de Salud, «COVID-19 en Colombia», COVID-19 en Colombia. Instituto Nacional de Salud- Página Oficial, 2021. https://www.ins.gov.co/Noticias/Paginas/coronavirus-conglomerados.aspx.Observatorio de salud de Bogotá, «Enfermedades transmisibles - Modelo COVID», Saludata, 2021. https://saludata.saludcapital.gov.co/osb/index.php/datos-de-salud/enfermedades-trasmisi bles/modelo-covid/.Sociedad Colombiana de Matemáticas, «Recuperado 2021», MATCOVID-19 – Sociedad Colombiana de Matemáticas., 2021. https://scm.org.co/matcovid-19-webinars/.Institute of Global Health, Faculty of Medicine, University of Geneva, & Swiss Data Science Center, ETH Zürich-EPFL, «COVID-19 Daily Epidemic Forecasting». 2021, [En línea]. Disponible en: https://renkulab.shinyapps.io/COVID-19-Epidemic-Forecasting/_w_0db15ef2/?tab=jhu _pred&country=Switzerland.Banco Central de Chile., «Real-Time Estimates of the Effective Reproduction Rate (R ) of COVID-19. Tracking R». 2021, [En línea]. Disponible en: http://www.globalrt.live/.Sociedad Colombiana de Matemáticas, «Modelamiento COVID-19», Sociedad Colombiana de Matemáticas, 2021. https://scm.org.co/modelamiento-covid-19/#1588342484246-0aa7f910-0bb6.Instituto Nacional de Salud., «Estimación de número reproductivo efectivo Rt para COVID 19 en Colombia», Número reproductivo efectivo Rt Nacional, 2021. https://www.ins.gov.co/Direcciones/ONS/modelos-de-estimacion.Scientific Electronic Library Online, «Predicciones de un modelo SEIR para casos de COVID-19 en Cali, Colombia». Revista pública, 2020, [En línea]. Disponible en: http://www.scielo.org.co/pdf/rsap/v22n2/0124-0064-rsap-22-02-e286432.pdf.C. Tomé, «El modelo SIR, un enfoque matemático de la propagación de infecciones». Cuaderno de Cultura Cientifica, ago. 24, 2020, [En línea]. Disponible en: https://culturacientifica.com/2020/08/24/el-modelo-sir-un-enfoque-matematico-de-la-pr opagacion-de-infecciones/.S. Garhawl, A. Ahmad, S. Ray, G. Kumar, S. Malebary, y O. Barukab, «The Number of Confirmed Cases of Covid-19 by using Machine Learning: Methods and Challenges». Springer Link, ago. 04, 2020.M. Akhtar, M. Kraemer, y L. Gardner, «A dynamic neural network model for predicting risk of Zika in real time». BMC Medicine, sep. 02, 2019, [En línea]. Disponible en: https://bmcmedicine.biomedcentral.com/articles/10.1186/s12916-019-1389-3?ref=hacke rnoon.com.K. Murphy, Probabilistic Machine Learning: An Introduction. MIT Press, 2021.A. Menon, «Linear Regression Using Least Squares», Towardsdatascience.com, sep. 08, 2018. https://towardsdatascience.com/linear-regression-using-least-squares-a4c3456e8570.G. Rajan, G. Pandey, P. Chaudhary, y S. Pal, «SEIR and Regression Model based COVID-19 outbreak predictions in India». medRixiv, abr. 03, 2020, [En línea]. 70 Disponible en: https://www.medrxiv.org/content/10.1101/2020.04.01.20049825v1.M. Batista, «Estimation of the final size of the COVID-19 epidemic». medRixiv, feb. 28, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.02.16.20023606v5.M. Batista, «Estimation of the final size of the second phase of the coronavirus COVID 19 epidemic by the logistic model». medRixiv, mar. 17, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.03.11.20024901v2.J. P. Rueda, «Así va Colombia en pruebas para detectar covid-19», ago. 13, 2020.Y. Li et al., «COVID-19 Epidemic Outside China: 34 Founders and Exponential Growth». medRixiv, mar. 05, 2020, [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.03.01.20029819v2.J. Rodrigo, «Máquinas de Vector Soporte (Support Vector Machines, SVMs)». www.cienciadedatos.net, abr. 2017, [En línea]. Disponible en: https://www.cienciadedatos.net/documentos/34_maquinas_de_vector_soporte_support_ vector_machines#M%C3%A1quinas_de_Vector_Soporte.T. Sharp, «An Introduction to Support Vector Regression (SVR)», Towardsdatascience.com, mar. 03, 2020. https://towardsdatascience.com/an-introduction-to-support-vector-regression-svr-a3ebc1 672c2.V. Singh et al., «Prediction of COVID-19 corona virus pandemic based on time series data using support vector machine». tandfonline, dic. 14, 2020, [En línea]. Disponible en: https://www.tandfonline.com/doi/abs/10.1080/09720529.2020.1784535.F. Rustam et al., «COVID-19 Future Forecasting Using Supervised Machine Learning Models». IEEE Xplore, may 25, 2020, [En línea]. Disponible en: https://ieeexplore.ieee.org/document/9099302.S. Sreenivasa, «Radial Basis Function (RBF) Kernel: The Go-To Kernel», towardsdatascience.com, oct. 12, 2020. https://towardsdatascience.com/radial-basis-function-rbf-kernel-the-go-to-kernel-acf0d2 2c798a.A. Mañas, «Notas sobre pronóstico del flujo de tráfico en la ciudad de Madrid», bookdown.org, jun. 16, 2019. https://bookdown.org/amanas/traficomadrid/resumen.html.Z. Yang et al., «Modified SEIR and AI prediction of the epidemics trend of COVID-19 in China under public health interventions.» PMC, mar. 12, 2020, [En línea]. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7139011/.S. Bandyopadhyay y S. Dutta, «Machine Learning Approach for Confirmation of COVID-19 Cases: Positive, Negative, Death and Release». medRixiv, mar. 30, 202d. C., [En línea]. Disponible en: https://www.medrxiv.org/content/10.1101/2020.03.25.20043505v1.R. Salas, «Redes Neuronales Artificiales. Redes Neuronales Artificiales.» Universidad de Valparaiso, 2021, [En línea]. Disponible en: https://d1wqtxts1xzle7.cloudfront.net/50358783/Redes_Neuronales_Artificiales.pdf?14 79332205=&response-content-disposition=inline%3B+filename%3DRedes_Neuronales _Artificiales.pdf&Expires=1615913947&Signature=BizcRaXlTjoU4xI8oODm4iW3orE SZP272uj9jVq4Z-WuheWSNfp~gfY4G0l2TyyCZYzue4bWLHEOPGg06fwnYVv~SxT cdsOgo2G5cLbeneWLSvfQX1Bn~OPvtGCev0lgu314kn-4PkQ1i4VfDJ26bdPrbRcq6r OoecpjY6wE2JcMVAXAi1oywlgiYyLReOgWrHxsLDrVD~JafEaOLCcvlWeQnYVC~ LM6birjhyqyvuAhqx4~oe6~IhFI32Dnt2Q2bR-uHfuJJExf5GxDdOD-Zfl3D~~OtAMfu TUpvzFJZ4-MWyBQcWgecjQjgxehJHUyVbWvs8ELJGcW-9eRPmtu1A__&Key-PairId=APKAJLOHF5GGSLRBV4ZA.D. Matich, «Redes Neuronales: Conceptos Básicos y Aplicaciones.» Universidad 71 tecnologica nacional, 2001, [En línea]. Disponible en: https://d1wqtxts1xzle7.cloudfront.net/36957218/redesneuronales.pdf?1426217658=&re sponse-content-disposition=inline%3B+filename%3DRedes_Neuronales_Conceptos_B asicos_y_Apl.pdf&Expires=1615915935&Signature=Aka6kUaRRgbX2M~cM8OJJS3S SInVoXf8nx4lJ1z3hOU21BjlM74JXS4BVQrzFqiLfD9v7bkL5kNINn5XdIXw2Y3ytHJ qY0gMoA0JutwF4apv81W~qi8iZORKgI7rVOhJ9ryeJJyfFZaH1WhbHaHAIzP~-NgO ROZY0Oj5S5IIvE4SYRsuOsdrR4Hxqwc-YEgEJhGQx6GBGYWFoWyU1ENLnFsHx 4AUbSil~tu-AmJ-mHbBGaQSycCTthf6ARvHuJo4l0uxEDX5J5DDN2XSTdaZ0n4QO AUZJpYnp0KfkzR8LV8gdUSSef95XspPtRwE8mqadGOXBnq8xyOoZjRpAnDfRQ__ &Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA.H. Tandon, P. Ranjan, T. Chakraboty, y V. Suhag, «Coronavirus (COVID-19): ARIMA based time-series analysis to forecast near future». arxiv.org, abr. 16, 2020, [En línea]. Disponible en: https://arxiv.org/abs/2004.07859.M. Maleki, M. Mahmoudi, D. Wraith, y K.-H. Pho, «Time series modelling to forecast the confirmed and recovered cases of COVID-19». sciencedirect, mar. 13, 2020, [En línea]. Disponible en: https://www.sciencedirect.com/science/article/abs/pii/S1477893920302210.D. Parbat y M. Chakraborty, «A python based support vector regression model for prediction of COVID19 cases in India». sciencedirect, may 31, 2020, [En línea]. Disponible en: https://www.sciencedirect.com/science/article/pii/S0960077920303416.R. Domínguez-Guevara, M. del Cármen Cabrera-Hernández, M. A. Aceves-Fernández, y J. C. Pedraza-Ortega, «Propuesta de red neuronal convolutiva para la predicción de partículas contaminantes PM10». Research in Computing Science, 2019.Keras Team, «Keras documentation: Losses. Keras documentation», 2021. https://keras.io/api/losses/#usage-of-losses-with-compile-amp-fit.Martinez, Jose, «Error Cuadrático Medio para Regresión» iartificial.net, nov. 10, 2020, [En línea]. Disponible en: https://www.iartificial.net/error-cuadratico-medio-para-regresion/ 72Calle 100ORIGINALPradoMedinaSantiago.pdfPradoMedinaSantiago.pdfTesisapplication/pdf2742791http://repository.unimilitar.edu.co/bitstream/10654/38613/1/PradoMedinaSantiago.pdfe223edc57d9439f9436bb91eba1217d8MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-83420http://repository.unimilitar.edu.co/bitstream/10654/38613/2/license.txta609d7e369577f685ce98c66b903b91bMD52THUMBNAILPradoMedinaSantiago.pdf.jpgPradoMedinaSantiago.pdf.jpgIM Thumbnailimage/jpeg6254http://repository.unimilitar.edu.co/bitstream/10654/38613/3/PradoMedinaSantiago.pdf.jpg987452588b97250a5538aa708b52ec40MD5310654/38613oai:repository.unimilitar.edu.co:10654/386132021-09-03 01:03:48.406Repositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Publicaciones similares