Mostrar el registro sencillo del ítem

dc.contributor.advisorAtalaya Urrutia, Carlos William
dc.contributor.authorLucero Cieza, Robinson
dc.date.accessioned2022-09-21T17:06:02Z
dc.date.available2022-09-21T17:06:02Z
dc.date.issued2022
dc.identifier.urihttps://hdl.handle.net/20.500.12802/9898
dc.description.abstractA nivel mundial la depresión lo padece unos 350 millones de seres humamos y el 5% es a nivel de Latinoamérica, es así que, cada veintidós minutos un ser humano intenta hacerse daño, las edades con mayores problemas depresivos son los adolescentes el cual representa el 10%, el 6% adultos mayores de 18 años y 3.5% en niños de 6 a 10 años, en el Perú, el 80% de suicidios es a causa de la depresión, hay un millón setecientos mil personas que presentan cuadro depresivo, pero solo es atendido un 25% con atención especializada y el 65% simplemente no busca ayuda, estudios han demostrado que a nivel del ministerio de salud, el documento técnico llamado “auto escala de Zung”, es el más adecuado para la identificación de este problema analizando la medición de la depresión a través de información de aspectos cognitivos, afectivos y somáticos del paciente, dicho documento tiene una especificidad del 63% y sensibilidad del 97%, aprobando un acierto del 82% para discriminar la depresión. En esta investigación se construyó un método que inicia con la elaboración de un dataset de acuerdo a las variables de ingreso y salida así como el nivel de prioridad basados en el cuestionario de Zung, después se realizó la elección de las técnicas de aprendizaje de máquina, utilizadas para tratar casos de diagnóstico de depresión con mayor precisión, entre ellas lograron destacar, naive bayes, árbol de decisión, redes neuronales y maquinas vectores de soporte, acto seguido se implementó las técnicas mencionadas para ser comparadas y evaluadas según su desempeño, para el desarrollo de las mismas se utilizó la plataforma de google colaboratory con el lenguaje de programación python, según el método propuesto, desarrollado y evaluado se concluye que las redes neuronales tienen una precisión del 100% para el diagnóstico de depresión.es_PE
dc.description.uriTesises_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Señor de Sipánes_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/pe/*
dc.sourceRepositorio Institucional - USSes_PE
dc.sourceRepositorio Institucional USSes_PE
dc.subjectAprendizaje automáticoes_PE
dc.subjectTrastornos depresivoses_PE
dc.subjectDiagnóstico de depresiónes_PE
dc.subjectRedes neuronaleses_PE
dc.subjectMáquinas de soportees_PE
dc.subjectÁrbol de decisiónes_PE
dc.subjectNaive bayeses_PE
dc.titleComparación de técnicas de clasificación de aprendizaje de máquina en el diagnóstico del trastorno depresivo levees_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.grantorUniversidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismoes_PE
thesis.degree.nameIngeniero de Sistemases_PE
thesis.degree.disciplineIngeniería de Sistemases_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.02.04es_PE
renati.advisor.dni08167960
renati.advisor.orcidhttps://orcid.org/0000-0002-2761-4868es_PE
renati.author.dni46735950
renati.discipline612076es_PE
renati.jurorVásquez Leyva, Oliveres_PE
renati.jurorSialer Rivera, María Noeliaes_PE
renati.jurorDíaz Vidarte, Miguel Orlandoes_PE
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_PE
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
dc.description.lineadeinvestigacionInfraestructura, Tecnología y Medio Ambientees_PE
dc.publisher.countryPEes_PE


Ficheros en el ítem

Thumbnail
Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(es)

Mostrar el registro sencillo del ítem

info:eu-repo/semantics/openAccess
Excepto si se señala otra cosa, la licencia del ítem se describe como info:eu-repo/semantics/openAccess