[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-127781-110":3,"detail-sidebar-cat-0-es-110":80,"doc-detail-127781-es":123},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":73,"head_meta":75,"extra_data":77,"updated_unix":79},110,"es","machine-learning-applied-to-the-analysis-of-an-environmental-parameters-dataset-in-broiler-poultry-houses","Machine learning aplicado al análisis de un set de datos de parámetros ambientales en galpones de pollos de engorde","","Este artículo desarrolla un modelo de Machine Learning aplicado a un conjunto de datos recopilado en una granja avícola, con el fin de construir un modelo predictivo basado en variables ambientales. La propuesta busca anticipar eventos futuros para optimizar decisiones vinculadas al bienestar ambiental de las aves y disminuir costos de producción. El set de datos proviene del sistema “Smart Poultry Farm”, con metodología SEMMA y Python en Google Colaboratory, y se evalúa mediante matriz de confusión y métricas como precisión, sensibilidad, especificidad e índice de calidad.",{"@graph":14,"@context":72},[15,34,55],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/es/document/","Document",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/es/document/investigación-e-informes/","Investigación e Informes",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/es/document/machine-learning-applied-to-the-analysis-of-an-environmental-parameters-dataset-in-broiler-poultry-houses/127781/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/machine-learning-applied-to-the-analysis-of-an-environmental-parameters-dataset-in-broiler-poultry-houses/127781.png","ImageObject",300,407,{"name":42,"@type":43},"Ivy","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-09-18","2026-08-05",true,{"@type":52,"interactionType":53,"userInteractionCount":33},"InteractionCounter",{"@type":54},"ViewAction",{"@type":56,"mainEntity":57},"FAQPage",[58,64,68],{"name":59,"@type":60,"acceptedAnswer":61},"Cuál es el objetivo del modelo de Machine Learning propuesto?","Question",{"text":62,"@type":63},"Desarrollar un modelo predictivo basado en variables ambientales para anticipar eventos futuros y apoyar decisiones que mejoren el bienestar ambiental de las aves y reduzcan costos de producción.","Answer",{"name":65,"@type":60,"acceptedAnswer":66},"Qué metodología y herramientas se utilizaron en la investigación?",{"text":67,"@type":63},"Se utilizó la metodología SEMMA y el lenguaje de programación Python en el entorno IDE Google Colaboratory.",{"name":69,"@type":60,"acceptedAnswer":70},"Cómo se construyó y evaluó el modelo predictivo?",{"text":71,"@type":63},"El modelo se construyó con regresión logística binomial en aprendizaje supervisado y se evaluó con matriz de confusión y métricas como precisión, sensibilidad, especificidad e F1-Score.","https://schema.org",{"og:url":32,"og:type":74,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":76,"canonical":32},"index,follow",{"doc_id":78,"site_id":7},127781,1785941623,{"code":4,"msg":81,"data":82},"success",[83,88,92,96,100,103,107,111,115,119],{"id":84,"doc_module":4,"doc_module_name":25,"category_name":85,"show_sort_weight":86,"slug":87},39,"Cómic",60,"comic",{"id":89,"doc_module":4,"doc_module_name":25,"category_name":90,"show_sort_weight":86,"slug":91},43,"Estilo de Vida","lifestyle",{"id":93,"doc_module":4,"doc_module_name":25,"category_name":94,"show_sort_weight":86,"slug":95},38,"Examen","exam",{"id":97,"doc_module":4,"doc_module_name":25,"category_name":98,"show_sort_weight":86,"slug":99},44,"General","general",{"id":101,"doc_module":4,"doc_module_name":25,"category_name":29,"show_sort_weight":86,"slug":102},41,"research-report",{"id":104,"doc_module":4,"doc_module_name":25,"category_name":105,"show_sort_weight":86,"slug":106},37,"Literatura","literature",{"id":108,"doc_module":4,"doc_module_name":25,"category_name":109,"show_sort_weight":86,"slug":110},22,"Relatos y Novelas","story-novel",{"id":112,"doc_module":4,"doc_module_name":25,"category_name":113,"show_sort_weight":86,"slug":114},42,"Religión y Espiritualidad","religion-spirituality",{"id":116,"doc_module":4,"doc_module_name":25,"category_name":117,"show_sort_weight":86,"slug":118},40,"Salud y Atención Médica","healthcare",{"id":120,"doc_module":4,"doc_module_name":25,"category_name":121,"show_sort_weight":86,"slug":122},24,"Tecnología","technology",{"code":4,"msg":81,"data":124},{"doc_id":78,"user_id":125,"nickname":42,"user_avatar":126,"doc_module":4,"category_id":101,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":127,"file_id":128,"file_url":129,"file_type":130,"file_size":131,"view_count":33,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":132,"language":133,"language_code":8,"site_id":7,"html_lang":8,"table_of_contents":134,"faqs":135,"seo_title":136,"seo_description":12,"update_tm":79,"read_time":112},1099523885074,"https://ap-avatar.wpscdn.com/davatar_9964176cb1d06d4a9deccf72a44ae3dc","Visión Antataura Vol.7, No.2: 121-146 Diciembre, 2023 – Mayo, 2024 Panamá  \nISSN L 2520-9892  \nMachine learning aplicado al análisis de un set de datos de parámetros  \nambientales en galpones de pollos de engorde  \nMachine learning applied to the analysis of a dataset  \nof environmental parameters in poultry farm  \nGloris Batista-Mendoza1 , Edwin Juvenal Cedeño Herrera2, Gloris Cedeño-Batista3  \n1 Universidad de Panama, Facultad de Informática, Electrónica y Comunicación, Panamá; [gloris.batista@up.ac.pa](gloris.batista@up.ac.pa); [https://orcid.org/0000-0002-3294-6170](https://orcid.org/0000-0002-3294-6170)  \n2 Universidad de Panama, Facultad de Informática, Electrónica y Comunicación, Panamá; [edwin.cedenoh@up.ac.pa](edwin.cedenoh@up.ac.pa); [https://orcid.org/0000-0002-5841-2759](https://orcid.org/0000-0002-5841-2759)  \n3 Universidad de Panama, Facultad de Informática, Electrónica y Comunicación, Panamá; [gloris.cedeno@up. ac. pa](gloris.cedeno@up. ac. pa) ;  [https://or cid. org/00 00-0 00 3-25 33-0 25 2](https://or cid. org/00 00-0 00 3-25 33-0 25 2)  \nFecha de recepción: 12 de agosto de 2023 Fecha de aceptación: 1 de noviembre de 2023  \nDOI [https://doi.org/10.48204/j.vian.v7n2.a4566](https://doi.org/10.48204/j.vian.v7n2.a4566)  \nResumen: Este artículo trata sobre el desarrollo de un modelo de Machine Learning aplicado a un conjunto de datos recopilados en una granja avícola. Su objetivo es obtener un modelo predictivo basado en variables ambientales para anticipar eventos futuros. Este modelo predictivo busca optimizar decisiones relacionadas con el bienestar ambiental de las aves y reducir costos de producción en proyectos avícolas. Para esta investigación, se obtuvo el set de datos del sistema \"Smart Poultry Farm\" como guía del desarrollo, se utilizó la metodología SEMMA y el lenguaje de programación Python en el entorno IDE Google Colaboratory. El modelo se construyó mediante el algoritmo de regresión logística binomial en el contexto de aprendizaje supervisado. La evaluación del modelo predictivo incluyó la matriz de confusión y métricas como: el Índice General de Calidad, Precisión, Sensibilidad, Especificidad y F1-Score. Se aplicaron distintos escenarios para anticipar la activación/desactivación de los ventiladores del galpón, en función de los parámetros ambientales: humedad, temperatura e índice de calor.  \nPalabras clave: Agromática, análisis de datos, aprendizaje supervisado, inteligencia artificial, ciencia de datos, regresión logística.  \nAbstract: This article addresses the development of a Machine Learning model applied to a dataset collected on a poultry farm. Its goal is to attain a predictive model based on environmental variables to anticipate forthcoming events. This predictive model aims to optimize decisions linked to the birds' environmental wellbeing and cut production costs in poultry projects. This investigation obtained information from the \"Smart Poultry Farm\" system, following the SEMMA methodology and utilizing the Python programming language in the Google Colaboratory IDE environment. The model was built using the binomial logistic regression algorithm in the context of supervised learning. The assessment of the predictive model encompassed the confusion matrix and metrics such as the Overall Quality Index, Accuracy, Sensitivity, Specificity, and F1-Score.  \nVarious scenarios were employed to forecast the activation/deactivation of the poultry farm's fans, based on environmental parameters: humidity, temperature, and heat index.  \nKeywords: Agromatic, artificial intelligence, data analysis, data science, logistic regression, supervised learning.  \n1. Introducción  \nHoy en día el cambio climático es una prioridad fundamental para la humanidad y los sectores, tanto económicos como sociales, quienes deben tomar medidas preventivas para que no se afecte a las distintas actividades del ser humano en los próximos años.  \nEl Banco Interamericano de Desarrollo (BID, 2022) mencionó en su último inf","cbCaik1RyPgvyK3A","https://ap.wps.com/l/cbCaik1RyPgvyK3A","pdf",1371769,27,"Spanish","# Introducción\n## Cambio climático y contexto regional\n## Impacto en el sector agrícola y necesidad de tecnologías emergentes\n## Crecimiento del sector avícola en Panamá\n## Enfoque de la investigación en granjas de engorde","[{\"question\":\"Cuál es el objetivo del modelo de Machine Learning propuesto?\",\"answer\":\"Desarrollar un modelo predictivo basado en variables ambientales para anticipar eventos futuros y apoyar decisiones que mejoren el bienestar ambiental de las aves y reduzcan costos de producción.\"},{\"question\":\"Qué metodología y herramientas se utilizaron en la investigación?\",\"answer\":\"Se utilizó la metodología SEMMA y el lenguaje de programación Python en el entorno IDE Google Colaboratory.\"},{\"question\":\"Cómo se construyó y evaluó el modelo predictivo?\",\"answer\":\"El modelo se construyó con regresión logística binomial en aprendizaje supervisado y se evaluó con matriz de confusión y métricas como precisión, sensibilidad, especificidad e F1-Score.\"}]","Machine learning aplicado al análisis de un set de datos de parámetros ambientales en galpones de pollos de engorde | PDF"]