Aplicación web interactiva para el análisis de datos multivariantes mediante técnicas de aprendizaje automático

Aug 4, 2026

Subir por Maeve

Trabajo de Fin de Grado centrado en definir y describir técnicas y algoritmos de aprendizaje automático aplicados al análisis de datos multivariantes. El documento realiza una revisión bibliográfica de métodos como reducción de la dimensionalidad, clustering, regresión y clasificación, y posteriormente integra dichos enfoques en una aplicación web interactiva. El objetivo es facilitar el uso, la comparación y la evaluación de resultados, incorporando fases de preprocesado, aprendizaje no supervisado y supervisado, además de la presentación de resultados y conclusiones.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas57

Tiempo de lectura1 h 28 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Preprocesado de datos

Codificación

Discretización

Escalado

Tratamiento de valores perdidos

Selección de variables

Aprendizaje no supervisado

Reducción de la dimensionalidad

Análisis de componentes principales

Clustering

Clustering jerárquico

Clustering particional

Clustering basado en densidad

Clustering basado en modelo

Clustering en cuadrículas (Grid-Based)

Métricas de evaluación y selección del número de clusters

Aprendizaje supervisado

Regresión

Regresión lineal - Enfoque clásico

Regresión lineal - Enfoque del ML

Métricas de evaluación

Clasificación

Regresión logística

Máquinas de soporte vectorial

Métricas de evaluación

Aplicaciones Web

Resultados

Conclusiones

Bibliografía

Grado en Estadística Trabajo de Fin de Grado Aplicación web interactiva para elanálisis de datos multivariantes mediantetécnicas de aprendizaje automático Interactive web application of multivariate machine learning statistical techniques Autor Juan Marcos Díaz Tutoras académicas Ana Belén Nieto Librero Nerea González García Grado en Estadística Trabajo de Fin de Grado Aplicación web interactiva para el análisis de datos multivariantes mediante técnicas deaprendizaje automático Interactive web application of multivariate machine learning statistical techniques Autor Juan Marcos Díaz Tutores académicos Ana Belén Nieto Librero Nerea González García Certificado de los tutores TFG Grado en Estadística Dª . Ana Belén Nieto Librero, profesora del Departamento de Estadística de la Universidad de Salamanca, y Dª . Nerea González García, profesora del Departamento de Estadística de la Universidad de Salamanca, HACEN CONSTAR: Que el trabajo titulado “Aplicación web interactiva para el análisis de datos multivariantes mediante técnicas de aprendizaje automático”, que se presenta, ha sidorealizado por D. Juan Marcos Díaz, con DNI ****8971 y constituye la memoria del trabajo realizado para la superación de la asignatura Trabajo de Fin de Grado en Estadística en esta Universidad. Salamanca, a fecha de firma electrónica. NIETO LIBRERO ANA BELEN -11966438K Firmado digitalmente por NIETO LIBRERO ANA BELEN- 11966438KFecha: 2023.07.04 16:24:59 +02'00' Fdo.: Ana Belén Nieto Librero GONZALEZ GARCIA NEREA- 72828390V Firmado digitalmente por GONZALEZ GARCIA NEREA-72828390VFecha: 2023.07.04 17:27:39 +02'00' Fdo.: Nerea González García Índice 1) Introducción ........................................................................................................................... 1 2) Preprocesado de datos ............................................................................................................ 4 2.1) Codificación .................................................................................................................... 4 2.2) Discretización ................................................................................................................. 5 2.3) Escalado .......................................................................................................................... 5 2.4) Tratamiento de valores perdidos ..................................................................................... 7 2.5) Selección de variables ..................................................................................................... 7 3) Aprendizaje no supervisado ................................................................................................... 8 3.1) Reducción de la dimesionalidad ..................................................................................... 8 3.1.1) Análisis de componentes principales ....................................................................... 9 3.2) Clustering ...................................................................................................................... 12 3.2.1) Clustering jerárquico ............................................................................................. 14 3.2.2) Clustering particional............................................................................................. 16 3.2.3) Clustering basado en densidad............................................................................... 18 3.2.4) Clustering basado en modelo ................................................................................. 20 3.2.5) Clustering en cuadrículas (Grid-Based) ................................................................ 20 3.2.6) Métricas de evaluación y selección del número de clusters .................................. 20 4) Aprendizaje Supervisado ...........................................................

Preguntas frecuentes

Qué técnicas de aprendizaje automático se revisan en el documento?

Se revisan técnicas de reducción de la dimensionalidad, clustering, regresión y clasificación. Estas se describen antes de integrarlas en la aplicación web interactiva.

Qué etapas incluye el proceso de trabajo sobre los datos?

Incluye preprocesado de datos con codificación, discretización, escalado, tratamiento de valores perdidos y selección de variables, seguido por aprendizaje no supervisado y supervisado.

Qué temas cubre la sección de aprendizaje no supervisado?

Abarca reducción de la dimensionalidad mediante análisis de componentes principales y diferentes enfoques de clustering, incluyendo jerárquico, particional, basado en densidad, basado en modelo y clustering en cuadrículas, junto con métricas para evaluar y elegir el número de clusters.

Aug 4, 2026

Subir por Maeve