| dc.contributor.author | Álvaro Fernández Moreno | |
| dc.date.accessioned | 2023-06-23T12:00:02Z | |
| dc.date.available | 2023-06-23T12:00:02Z | |
| dc.date.issued | 2023-06-23 | |
| dc.identifier.uri | https://hdl.handle.net/10115/22191 | |
| dc.description | Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2022/2023. Directores/as: Alfredo Cuesta Infante, María Eugenia Castellanos Nueda | |
| dc.description.abstract | El desarrollo de modelos que replican situaciones del mundo real es fundamental para comprenderlo. Gracias al avance tecnológico, cada vez se crean modelos más sofisticados que permiten realizar razonamientos más precisos. En este trabajo, se aborda la teoría necesaria para la creación de modelos ocultos de Markov y se presenta una aplicación práctica de estos, en la que se tratan de identificar los estados de recesión de la economía estadounidense.
Al final del trabajo se ofrece una comparativa entre la biblioteca implementada y la biblioteca \texttt{TensorFlowProbability}, demostrando la versatilidad y exhaustividad del desarrollo. | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Rey Juan Carlos | |
| dc.rights | Creative Commons Atribución-CompartirIgual 4.0 Internacional | |
| dc.rights.uri | https://creativecommons.org/licenses/by-sa/4.0/legalcode | |
| dc.subject | Modelos ocultos de Markov | |
| dc.subject | Proceso estocástico | |
| dc.subject | Series Temporales | |
| dc.subject | Cadena de Markov | |
| dc.subject | Modelo Mixtura | |
| dc.subject | Expectation-Maximization | |
| dc.subject | Viterbi | |
| dc.title | DESARROLLO DE UNA BIBLIOTECA PYTHON PARA EN AJUSTE DE MODELOS OCULTOS DE MARKOV | |
| dc.type | info:eu-repo/semantics/studentThesis | |
| dc.rights.accessRights | info:eu-repo/semantics/openAccess | |
Except where otherwise noted, this item's license is described as Creative Commons Atribución-CompartirIgual 4.0 Internacional