Suchergebnisse

International audience ; The purpose of this study is to build an epidemic model with vaccination control for Covid-19 in El Salvador. A combination of epidemiological SEIR (Susceptible, Exposed, Infectious or Recovered) models and the estimation of parameters using machine learning and contact networks is proposed. The project consisted of three phases: a) Analysis: the critical or key factors or variables of the phenomenon under study were identified, the model to be used, as well as its parameters and components, were defined, designed, and constructed b) Simulation: simulation made it possible to modify variables, implement alternatives, and modify the model itself without affecting the real system, which is highly useful for decision-making and preparing results and recommendations. The simulations were carried out using population data from El Salvador. c) Optimization: different scenarios were evaluated in which vaccination control measures and social distancing measures were applied, in order to identify the optimal strategy. As a result of this study, the best strategy for controlling the disease was identified: a combination of vaccinating the vulnerable population and maintaining social distancing measures provided the best results in terms of reducing the impact of infection and minimizing treatment costs. Finally, recommendations are made to government health authorities for distribution and application of the treatment. ; Este estudio tiene como objetivo general construir un modelo epidémico con control por vacunación para el Covid-19 en El Salvador. Se propone la combinación de modelos epidemiológicos SEIR (Susceptibles, Expuestos, Infectados o Recuperados) y la estimación de parámetros usando machine learning y redes de contacto. El proyecto se desarrolló siguiendo tres fases: a) Análisis: se realizó la identificación de factores o variables críticas o claves del fenómeno en estudio, se definió, diseñó y construyó el modelo a utilizar junto con sus parámetros y componentes. b) Simulación: una vez ...

The purpose of this study is to build an epidemic model with vaccination control for Covid-19 in El Salvador. A combination of epidemiological SEIR (Susceptible, Exposed, Infectious or Recovered) models and the estimation of parameters using machine learning and contact networks is proposed. The project consisted of three phases: a) Analysis: the critical or key factors or variables of the phenomenon under study were identified, the model to be used, as well as its parameters and components, were defined, designed, and constructed b) Simulation: simulation made it possible to modify variables, implement alternatives, and modify the model itself without affecting the real system, which is highly useful for decision-making and preparing results and recommendations. The simulations were carried out using population data from El Salvador. c) Optimization: different scenarios were evaluated in which vaccination control measures and social distancing measures were applied, in order to identify the optimal strategy. As a result of this study, the best strategy for controlling the disease was identified: a combination of vaccinating the vulnerable population and maintaining social distancing measures provided the best results in terms of reducing the impact of infection and minimizing treatment costs. Finally, recommendations are made to government health authorities for distribution and application of the treatment. ; Este estudio tiene como objetivo general construir un modelo epidémico con control por vacunación para el Covid-19 en El Salvador. Se propone la combinación de modelos epidemiológicos SEIR (Susceptibles, Expuestos, Infectados o Recuperados) y la estimación de parámetros usando machine learning y redes de contacto. El proyecto se desarrolló siguiendo tres fases: a) Análisis: se realizó la identificación de factores o variables críticas o claves del fenómeno en estudio, se definió, diseñó y construyó el modelo a utilizar junto con sus parámetros y componentes. b) Simulación: una vez construido el modelo, se ...

PLASMATIC (Advanced Predictive Maintenance for the Valencian plastic industrial sector) is a project funded by the Valencian Institute for Business Competitiveness (IVACE) and the European Union through the European Regional Development Fund (FEDER). The general objective of this project is to help the Valencian plastic sector companies to incorporate solutions from the so-called Factory 4.0, via knowledge and technologies in the fields of Big Data, Machine Learning and Business Intelligence. The main result will be an advanced predictive maintenance system to deal with: (i) anomalies detection; (ii) wear prediction; and (iii) maintenance planning optimization. This deliverable is part of the PT3 work package "Characterization and Exploratory Analysis", which aims to identify those variables and factors involved in the advanced predictive maintenance applied to plastic industries. This document reviews the usual steps in a predictive maintenance application, describing the most important state-of-the-art techniques and technologies. In particular, we highlight statistical analysis and machine learning techniques within a Big Data infrastructure, all of them crucial elements of the so-called Maintenance 4.0. In general, we emphasize those possible strategies when working in a non-supervised application. ; PLASMATIC. Project funded by the Valencian Institute of Business Competitiveness (IVACE) and European Union through the European Regional Development Fund (ERDF), within the public grant program adressed to Technological Institutes of the Valencian Community for the development of non-economic R&D projects carried out in cooperation with companies during 2017 with 87.210,96€. File number: IMDEEA/2017/114

ilustraciones, gráficas, tablas ; La seguridad ciudadana se ha convertido en una de las principales preocupaciones de los gobiernos dada su relación directa con la calidad de vida de las personas, el crecimientos económico y el desarrollo de las regiones. Por su parte, el crimen se ha constituido como uno de los principales factores que afecta la seguridad, y para combatirlo, los gobiernos han asignado una cantidad de recursos que se podrían utilizar para proyectos de inversión como los de infraestructura. Históricamente el enforque de las estrategias de las autoridades locales se ha centrado en respuestas reactivas como la captura de los delincuentes, no obstante, recientemente se ha reconocido la necesidad de desarrollar estrategias preventivas de vigilancia y control de los espacios públicos, mediante el uso de tecnologías de aprendizaje automático (Machine Learning). Por esta razón, con el fin de colaborar con las estrategias de las autoridades para la gestión de los recursos, en esta tesis de maestría se realiza la evaluación de tres modelos de Machine Learning para la predicción del crimen en la ciudad de Medellín: un clasificador de bosques aleatorios, un modelo de regresión logística y una máquina de vectores de soporte (SVM, de sus siglas en inglés support vector machine). La metodología implementada integra el resultado de estudios anteriores con el proceso estándar de la industria para la minería de datos (CRISP-DM, de sus siglas en inglés Cross Industry Standard Process for Data Mining) como una estrategia general de resolución de problemas de la unidad de estudio. Como parte de la metodología, inicialmente se realiza un entendimiento y descripción de diferentes fuentes de información disponibles en la ciudad de Medellín. Luego, a partir de la identificación de los datos, su preparación y análisis, se formulan los modelos para la predicción de zonas calientes con información histórica del número de incidentes e información de la tasa de desempleo en la ciudad. Específicamente los modelos se construyen para la predicción del hurto a personas en las modalidades de atraco, descuido, cosquilleo y raponazo. Finalmente, el desempeño de los tres modelos se compara contra un modelo basado en reglas, y se evalúan en términos de la exactitud, exhaustividad/sensibilidad (recall), precisión y el valor F1. (Texto tomado de la fuente) ; Public safety is one of the main concerns of governments, given its direct relationship with people's wellbeing, economic growth, and the development of the regions. For its part, crime has been detected as one of the main factors that affect the feeling of security, assigning it a considerable percentage of government resources to combat it. Historically, national authorities' strategies have focused on reactive responses such as the capture of criminals, however, the need to develop preventive strategies for surveillance and control of public spaces has been recently recognized. For this reason, in order to improve the strategies currently used by the authorities for resource management, this master's thesis evaluates three Machine Learning Models: a random forest classifier, a logistic regression model, and a support vector machine (SVM), for the prediction of crime in the city of Medellin. The proposed methodology integrates previous studies that have been conducted in other regions with the Cross Industry Standard Process for Data Mining (CRISP-DM) as a general strategy for problem solving of the unit of study. As part of the methodology, it begins with the understanding and description of the available information in the city of Medellin. Then, from the identification of the data, its preparation, and analysis, the Machine Learning models are formulated for the prediction of crime hotspots, using the information about historical incidents and the unemployment rate. Finally, the performance of the 3 models is evaluated in terms of accuracy, recall, precision, and F1 score, and each of the models is compared with the result obtained by using a base model built on rules that the authorities could establish. ; Maestría ; Magíster en Ingeniería - Analítica ; Área Curricular de Ingeniería de Sistemas e Informática

This project is part of the Final Master Project, specifically the area of "Application of Machine Learning techniques to Security", which I selected as the first option among different possibilities, due to my interest in learning about this subject, which is widely used nowadays. The project is developed in different stages, first using the Weka platform (environment for knowledge analysis of the University of Waikato) and then developing a script written in Python that will do the pre-processing of the dataset, and the subsequent use of a predictive model for detecting malicious connections, specifically using the Scikit-Learn software library. The dataset used is "KDD Cup 1999" which includes a wide variety of simulated network intrusions in a military network environment. This dataset will be analyzed in the present project and will be used to train, test and adjust the selected model. A comparison of various algorithms will be made and applied to the dataset, and the algorithm with best results predicting attacks will be selected, and then tuned to try to find the best configuration using different techniques of Machine Learning and Data Engineering. ; El presente proyecto forma parte del Trabajo Fin de Máster, concretamente del área "Aplicación de técnicas de Machine Learning a la Seguridad", que había seleccionado como primera opción entre las distintas posibilidades, debido a mi interés por aprender acerca de ésta disciplina, cada vez más utilizada hoy en día. El proyecto se desarrolla en distintas etapas, usando primero la plataforma Weka (entorno para análisis del conocimiento de la Universidad de Waikato) y un desarrollando posteriormente un script escrito en lenguaje Python que permitirá realizar el tratamiento del dataset y la posterior utilización de un modelo predictivo para la detección de conexiones maliciosas, concretamente utilizando la librería de software Scikit-Learn. El dataset utilizado es "KDD Cup 1999" que incluye una amplia variedad de intrusiones de red simuladas en un entorno de red militar. Dicho dataset será analizado en el presente proyecto y se usará para entrenar, probar y ajustar el modelo seleccionado. Se realizará una comparación de diversos algoritmos que se aplicarán al dataset, y se seleccionará el tipo que de mejores resultados prediciendo ataques, para posteriormente tratar de ajustarlo al máximo usando diferentes técnicas de Machine Learning e Ingeniería de datos. ; El present projecte forma part del Treball Fi de Màster, concretament de l'àrea "Aplicació de tècniques de Machine Learning a la Seguretat", que havia seleccionat com a primera opció entre les diferents possibilitats, a causa del meu interès per aprendre sobre aquesta disciplina, cada vegada més utilitzada avui dia. El projecte es desenvolupa en diferents etapes, usant primer la plataforma Weka (entorn per a anàlisi del coneixement de la Universitat de Waikato) i un desenvolupant posteriorment un script escrit en llenguatge Python que permetrà realitzar el tractament del dataset i la posterior utilització d'un model predictiu per a la detecció de connexions malicioses, concretament utilitzant la llibreria de programari Scikit-Learn. El dataset utilitzat és "KDD Cup 1999" que inclou una àmplia varietat d'intrusions de xarxa simulades en un entorn de xarxa militar. Aquest dataset serà analitzat en el present projecte i s'usarà per entrenar, provar i ajustar el model seleccionat. Es realitzarà una comparació de diversos algorismes que s'aplicaran al dataset, i se seleccionarà el tipus que de millors resultats predient atacs, per posteriorment tractar d'ajustar-ho al màxim usant diferents tècniques d'aprenentatge automàtic i Enginyeria de dades.

Emprender es iniciar una búsqueda de generación de valor, a través de la creación o expansión de una actividad económica, por medio de la identificación y explotación de nuevos productos, procesos y mercados. La generación de emprendimientos depende del ecosistema integrado, que recoge aspectos personales de los individuos, condiciones de mercado, acceso a recursos financieros, políticas públicas por medio de programas y proyectos que favorezcan la formación de negocios. En Colombia, las estadísticas de los últimos años presentan un crecimiento exponencial de creación de nuevas empresas, sin embargo, más de un 50% de ellas no alcanzan a llegar a los 5 años de vida. Las cifras de fracaso empresarial no han descendido, exponiendo la debilidad de los gobiernos frente al tema de ampliación del desarrollo económico. Para lograr el aumento en la productividad y la ampliación de la base de la economía, es necesario comprender los desafíos a los que se enfrentan los emprendedores para la supervivencia de la empresa, además, gracias al auge que ha tenido en los últimos años el uso de técnicas del Machine Learning y manejo de la información, se aplicarán modelos con base en aprendizaje supervisado y la Regresión Cox, para entender las características importantes del emprendedor y del negocio que podrían afectar la estabilidad en el mercado y con base en ello estimar la probabilidad de supervivencia, en sus primeros años de constituidas. La metodología que se aplicará está basada en modelos de clasificación. Finalmente, con los resultados del modelo de supervivencia, se espera ser un apoyo útil para los emprendedores aportando información para la toma de decisiones de negocio. ; Entrepreneurship is starting a search for the generation of value, through the creation or expansion of an economic activity, through the identification and exploitation of new products, processes and markets. The generation of ventures depends on the integrated ecosystem, which includes personal aspects of individuals, market conditions, access to financial resources, public policies through programs and projects that favor business formation. In Colombia, the statistics of recent years show an exponential growth in the creation of new companies, however, more than 50% of them do not reach 5 years of life. The numbers of business failure have not decreased, exposing the weakness of governments on the issue of expanding economic development. To achieve the increase in productivity and the expansion of the base of the economy, it is necessary to understand the challenges that entrepreneurs face for the survival of the company, in addition, thanks to the boom that the use of of Machine Learning techniques and information management, models based on supervised learning and Cox Regression will be applied to understand the important characteristics of the entrepreneur and the business that could affect stability in the market and based on this estimate the probability of survival, in its first years of constitution. The methodology to be applied is based on classification models. Finally, with the results of the survival model, it is expected to be a useful support for entrepreneurs by providing information for making business decisions.

Machine Learning is a field of Artificial Intelligence that has gained recent interest in all areas of the industry, motivated primarily by the accelerated growth of computer capabilities and data availability. However, one of the main difficulties for its application is the need for experts who know the internal details of the multiple models that can be used. In this context, a new field of study has emerged, AutoML(Automated Machine Learning), which facilitates the use of these techniques by experts from other domains. This paper presents an introduction to the field of AutoML, a brief comparison between existing tools, and a concrete proposal of a technology —AutoGOAL, own authorship— which has been designed to solve machine learning problems of various kinds. Our proposal is competitive with state-of-the-art tools in classic machine learning problems, and it can be seamlessly deployed in more complex domains, such as natural language processing. ; El Aprendizaje Automático es un campo de la Inteligencia Artificial que ha ganado un reciente interés en todas las áreas de la industria, motivado fundamentalmente por el acelerado crecimiento de las capacidades de cómputo y la disponibilidad de datos. Sin embargo, una de las principales dificultades para su aplicación es la necesidad de expertos que conozcan los detalles internos de los múltiples modelos que pueden ser utilizados. En este contexto ha surgido un nuevo campo de estudio, denominado AutoML(Automated Machine Learning), que facilita la utilización de estas técnicas por expertos de otros dominios. Este artículo presenta una introducción al campo del AutoML, una breve comparación entre las herramientas existentes, y una propuesta concreta de una tecnología —AutoGOAL— que ha sido diseñada para resolver problemas de aprendizaje automático de variada naturaleza. Nuestra propuesta es competitiva con herramientas del estado del arte en problemas clásicos de aprendizaje, a la vez que puede desplegarse, sin esfuerzo adicional, en dominios más complejos, como el ...

Machine Learning is a field of Artificial Intelligence that has gained recent interest in all areas of the industry, motivated primarily by the accelerated growth of computer capabilities and data availability. However, one of the main difficulties for its application is the need for experts who know the internal details of the multiple models that can be used. In this context, a new field of study has emerged, AutoML(Automated Machine Learning), which facilitates the use of these techniques by experts from other domains. This paper presents an introduction to the field of AutoML, a brief comparison between existing tools, and a concrete proposal of a technology —AutoGOAL, own authorship— which has been designed to solve machine learning problems of various kinds. Our proposal is competitive with state-of-the-art tools in classic machine learning problems, and it can be seamlessly deployed in more complex domains, such as natural language processing. ; El Aprendizaje Automático es un campo de la Inteligencia Artificial que ha ganado un reciente interés en todas las áreas de la industria, motivado fundamentalmente por el acelerado crecimiento de las capacidades de cómputo y la disponibilidad de datos. Sin embargo, una de las principales dificultades para su aplicación es la necesidad de expertos que conozcan los detalles internos de los múltiples modelos que pueden ser utilizados. En este contexto ha surgido un nuevo campo de estudio, denominado AutoML(Automated Machine Learning), que facilita la utilización de estas técnicas por expertos de otros dominios. Este artículo presenta una introducción al campo del AutoML, una breve comparación entre las herramientas existentes, y una propuesta concreta de una tecnología —AutoGOAL— que ha sido diseñada para resolver problemas de aprendizaje automático de variada naturaleza. Nuestra propuesta es competitiva con herramientas del estado del arte en problemas clásicos de aprendizaje, a la vez que puede desplegarse, sin esfuerzo adicional, en dominios más complejos, como el procesamiento de lenguaje natural.

Population ageing is considered to be one of the most significant social phenomena that is transforming economies and societies around the world. According to the World Health Organization (WHO), ageing is on the rise. In Colombia, demographic growth exhibits a natural increase, which shows a notable difference between birth and general mortality rates. According to DANE, in Colombia, natural growth rates denote a precipitous decline over time. The Central and local governments can help with decision-making in order to establish sexual and reproductive health policies. Machine Learning (ML) therefore appears as a support tool, in which there are algorithms that allow creating models to learn from data and identify patterns that aid in supporting government entities in the decision-making process. Based on the above, this work proposes a method for ensemble ML algorithms, which supports decision-making regarding demographic control focused on birth. The prediction method made it possible to show that the decrease in births in Colombia in recent years is due to the change in the priorities of women and men. Women face discrimination and difficulty in accessing and staying in employment due to maternity. Consequently, it is difficult for them to articulate their professional life with the job market. Women have to assume a disproportionate burden of care, which is why they want to have fewer children, namely one or two at most. ; El envejecimiento de la población es considerado uno de los fenómenos sociales más significativos que está transformando las economías y las sociedades en todo el mundo. Según la Organización Mundial de la Salud (OMS) el envejecimiento está en aumento. En Colombia, el crecimiento demográfico presenta un incremento natural que muestra una notable diferencia entre las tasas de natalidad y las de mortalidad general. Según el DANE, en Colombia, las tasas de crecimiento natural denotan un vertiginoso declive a lo largo del tiempo. El gobierno central y los gobiernos locales pueden ayudar en la ...

Objective: This research study proposes the use of the polynomial regression approach to model data behavior for characterizing behavior patterns for COVID-19 case, death, and recovery curves in Colombia. Methodology: Data were obtained from the reports provided by the Colombian Ministry of Health. First, the authors assessed the polynomial regression procedure through multiple linear regressions. Then, a tool was designed and implemented for applying this procedure on the collected dataset. Finally, the corresponding results were assessed. Results: For the three studies considered (cases, deaths, and recoveries), 20 polynomials were obtained together with the root mean square error (RMSE) and the determination level (R2) associated with each study. Further, a set of predictions was generated based on the linear regressions obtained for each study. Conclusions: Because polynomials with future values are volatile, polynomial equations have proven more useful when assessing COVID-19 curves up to the data capture date. Therefore, they can be used to determine the impact of government measures over a given period of time. In addition, the machine learning libraries provided in Python language significantly supported the estimation of polynomial regressions. ; Objetivo: Caracterizar el comportamiento de las curvas de casos, muertes y personas recuperadas por el COVID-19 en Colombia, en esta investigación se propuso como aporte el uso del enfoque de regresión polinomial para el modelar el comportamiento de los datos. Metodología: Se obtuvieron los datos a partir de los reportes proporcionados por el Ministerio de Salud de Colombia. En primera instancia, se estudió el procedimiento empleado para la obtención de la regresión polinomial mediante la regresión lineal múltiple, en segunda instancia, se diseñó e implementó una herramienta para la aplicación del procedimiento estudiado sobre el conjunto de datos recolectado, y finalmente, se realizó el análisis de los resultados. Resultados: Se obtuvo para los tres estudios considerados (casos, muertes y personas recuperadas) 20 polinomios en conjunto con el error medio cuadrático (RMSE) y el nivel de determinación (R2) asociados a cada uno. Así mismo, se obtuvo un conjunto de predicciones basadas en las regresiones lineales obtenidas para cada estudio. Conclusiones: La volatilidad de los polinomios con valores futuros, las ecuaciones polinómicas son más útiles para evaluar el comportamiento de la curva del COVID-19 hasta el día de captura de los datos, it means, pueden ser usadas para determinar el impacto de las medidas gubernamentales en un periodo determinado de tiempo. Igualmente, las librerías de machine learning provistas por el lenguaje Python, demostraron ser de gran apoyo a la estimación de la regresión polinomial.

El aprendizaje automático es un campo de la inteligencia artificial que ha ganado un reciente interés en todas las áreas de la industria, motivado fundamentalmente por el acelerado crecimiento de las capacidades de cómputo y la disponibilidad de datos. Sin embargo, una de las principales dificultades para su aplicación es la necesidad de expertos que conozcan los detalles internos de los múltiples modelos que pueden ser utilizados. En este contexto ha surgido un nuevo campo de estudio, denominado AutoML (Automated Machine Learning), que facilita la utilización de estas técnicas por expertos de otros dominios. Este artículo presenta una propuesta concreta de un sistema —AutoGOAL— que ha sido diseñada para resolver problemas de aprendizaje automático de variada naturaleza. Además, se realiza una breve comparación entre sistemas existentes de relevancia en el campo. La propuesta es competitiva con herramientas del estado del arte en problemas clásicos de aprendizaje, a la vez que puede desplegarse, sin esfuerzo adicional, en dominios más complejos, como el procesamiento de lenguaje natural. AutoGOAL constituye un paso más hacia la democratización del aprendizaje automático para usuarios no expertos en el tema. ; Machine Learning is a field of Artificial Intelligence that has gained recent interest in all areas of the industry, motivated primarily by the accelerated growth of computer capabilities and data availability. However, one of the main difficulties for its application is the need for experts who know the internal details of the multiple models that can be used. In this context, a new field of study has emerged, AutoML (Automated Machine Learning), which facilitates the use of these techniques by experts from other domains. This paper presents a concrete proposal of a system —AutoGOAL— which has been designed to solve machine learning problems of various kinds. In addition, a brief comparison is made between relevant existing systems in the field. The proposal is competitive with state-of-the-art tools in classic machine learning problems, and it can be seamlessly deployed in more complex domains, such as natural language processing. AutoGOAL is another step towards the democratization of machine learning for non-expert users.

Risk adjustment is vital in health policy design. Risk adjustment defines the annual capitation payments to health insurers and is a key determinant of insolvency risk for health insurers. In this study we compare the current risk adjustment formula used by Colombia's Ministry of Health and Social Protection against alternative specifications that adjust for additional factors. We show that the current risk adjustment formula, which conditions on demographic factors and their interactions, can only predict 30% of total health expenditures in the upper quintile of the expenditure distribution. We also show the government's formula can improve significantly by conditioning ex ante on measures indicators of 29 long-term diseases. We contribute to the risk adjustment literature by estimating machine learning based models and showing non-parametric methodologies (e.g., boosted trees models) outperform linear regressions even when fitted in a smaller set of regressors. ; El ajuste de riesgo es un componente esencial en el diseño de la política del sector de la salud. El ajuste de riesgo define los pagos de capitación que se le hacen a las aseguradoras en salud y determina el riesgo de insolvencia de las mismas. En este estudio comparamos la formula usada actualmente por el Ministerio de Salud y Protección Social para determinar el ajuste de riesgo, contra especificaciones alternativas que controlan por factores de riesgo adicionales. Mostramos que la formula actual, la cual ajusta los pagos solamente a factores de riesgo demográficos, predice tan solo el 30 % del gasto en el quintil superior de la distribución del gasto. Nuestros resultados muestran que incorporar indicadores de 29 enfermedades de larga duración en un modelo lineal, como el que usa el gobierno, mejora su capacidad predictiva considerablemente. Finalmente, contribuimos a la literatura de ajuste de riesgo a través de la estimación de modelos de aprendizaje de máquinas y mostramos que modelos no paramétricos (e.g., boosting de arboles) tienen un mejor desempeño que los modelos lineales, incluso cuando se ajustan sobre un conjunto de regresores más pequeño.

280 p. ; La contaminación atmosférica en las grandes ciudades representa un problema mundial para el medio ambiente y el ser humano, afectando a la salud de las personas, seres vivos, plantas, degradación de los materiales, disminuyendo la calidad de vida y con un coste social y económico. La legislación establece la necesidad de evaluar la concentración de los contaminantes, o bien determinarla mediante modelos cuando la medición no sea posible. La predicción a través de modelos matemáticos y de la relación existente con otros contaminantes permite anticiparse a episodios de alta contaminación y así las autoridades pueden tomar decisiones, planificar y establecer medidas de prevención y control para tratar de mejorar la calidad del aire y proteger la salud y bienestar de las personas. En esta tesis se analizan los datos recopilados por las redes de vigilancia de calidad del aire de las estaciones de la Comunidad y del Ayuntamiento de Madrid desde 2001 hasta 2020, estudiando la evolución del benceno a lo largo de los años, su relación con otros contaminantes y su predicción a partir de ellos, a un nivel de escala local. Se estudian los datos recopilados por 8 estaciones durante diferentes periodos temporales utilizando modelos de aprendizaje automático basados en regresión y modelos de series temporales univariantes y multivariantes, estableciendo la relación entre el benceno y óxidos de nitrógeno, dióxido de nitrógeno, tolueno y material particulado inferior a diez micras y la predicción de la concentración de benceno a partir de las observaciones de estos últimos. También se analiza la relación del benceno con los contaminantes de referencia durante 8 años en una de las estaciones y se realizan predicciones de la concentración de benceno a partir de ellos. Para cada uno de los modelos establecidos y para cada estación se comparan los resultados a través de medidas de rendimiento. A través de un sistema de información geográfica se estudia la distribución espacial de la concentración de benceno en el municipio de Madrid a partir de las observaciones registradas en sus estaciones de medición, en distintos periodos y tramos horarios. = Air pollution in large cities represents a global problem for the environment and human beings, affecting the health of people, living beings, plants, degradation of materials, reducing the quality of life and with a social and economic cost. The legislation establishes the need to evaluate the concentration of pollutants, or determine it through models when measurement is not possible. The prediction through mathematical models and the relationship with other pollutants allowsto anticipate episodes of high pollution and thusthe authorities can make decisions, plan and establish prevention and control measures to try to improve air quality and protect health and well‐being of people. This thesis analyzes the data collected by the air quality monitoring networks of the stations of the Community and of the Madrid City Council from 2001 to 2020, studying the evolution of benzene over the years, its relationship with other pollutants and its prediction, at the local level. The data collected by 8 stations during different time periods are studied using regression‐based machine learning models and univariate and multivariate time series models, establishing the relationship between benzene and nitrogen oxides, nitrogen dioxide, toluene and particulate material smaller than ten microns and the prediction of benzene concentration from observations of the those latter. The relationship of benzene with the reference pollutants is also analyzed for 8 years in one of the stations and predictions of the benzene concentration are made from them. For each of the established models and for each station, the results are compared through performance measures. Using a geographic information system, the spatial distribution of the benzene concentration in the municipality of Madrid is studied from the observations recorded at its measurement stations, in different periods and time bands.

The El Niño phenomenon is a natural phenomenon that happens every year in Peruvian territory. It brings with it problems such as torrential rains that cause floods. Many educational institutions are built in the Peruvian territory without being part of a study of soils or vulnerabilities such as floods or landslides, perhaps due to the study's cost since they have to respect governmental technical standards required for the construction of an educational entity. Given this, in the present work, the authors propose a predictive model based on machine learning to estimate vulnerabilities from the data of the area of a public institution. Using Machine Learning, the model has been trained using various algorithms and data from a dataset with more than 65 thousand records published by the Ministry of Education of Peru. ; El fenómeno de El Niño es un evento natural que sucede cada año en el territorio peruano, este trae consigo problemas como las lluvias torrenciales que provocan inundaciones. En el territorio peruano muchas instituciones educativas son construidas sin formar parte de un estudio de suelos o vulnerabilidades como las inundaciones o deslizamientos, debido, quizás, al coste de este estudio ya que se tienen que respetar normas técnicas gubernamentales exigidas para la construcción de una entidad educativa. En vista de ello, en el presente trabajo los autores proponen un modelo predictivo basado en machine learning para la estimación de vulnerabilidades a partir de los datos de la zona de una institución pública. A través de estaherramienta se ha entrenado el modelo usando diversos algoritmos y datos de un dataset con más de 65 000 registros publicados por el Ministerio de Educación del Perú.

Summary: Media coverage of armed conflicts often focuses on responsibility-allocation, humanitarian consequences or security, as highlighted in major media and conflict studies. This investigation analyses the use of media frames in El Mundo, El País (Spain), HispanTV (Iran) and RT (Russia) when covering the wars in Yemen and Ukraine. Novel machine learning techniques (namely SVM) show that Russian and Iranian media do not follow the pattern of traditional journalistic routines, but that the use of frames depends on the geostrategic position of their countries of origin. ; Resumen: La cobertura mediática de los conflictos armados suele centrarse en la atribución de responsabilidades, las consecuencias humanitarias o la seguridad, como señalan los principales estudios sobre medios y conflictos. La presente investigación analiza el uso de encuadres en los medios El Mundo, El País (España), HispanTV (Irán) y RT (Rusia) cuando cubren las guerras de Yemen y Ucrania. A través de novedosas técnicas de aprendizaje de máquina (en concreto, SVM), se muestra que los medios ruso e iraní no siguen las pautas de las rutinas periodísticas tradicionales, sino que el uso de encuadres depende de la posición geoestratégica de sus países de origen.