DESARROLLO DE UNA BIBLIOTECA PYTHON PARA EN AJUSTE DE MODELOS OCULTOS DE MARKOV

Vista sencilla de ítem
dc.contributor.authorÁlvaro Fernández Moreno
dc.date.accessioned2023-06-23T12:00:02Z
dc.date.available2023-06-23T12:00:02Z
dc.date.issued2023-06-23
dc.descriptionTrabajo 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.abstractEl 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.identifier.urihttps://hdl.handle.net/10115/22191
dc.language.isospa
dc.publisherUniversidad Rey Juan Carlos
dc.rightsCreative Commons Atribución-CompartirIgual 4.0 Internacional
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-sa/4.0/legalcode
dc.subjectModelos ocultos de Markov
dc.subjectProceso estocástico
dc.subjectSeries Temporales
dc.subjectCadena de Markov
dc.subjectModelo Mixtura
dc.subjectExpectation-Maximization
dc.subjectViterbi
dc.titleDESARROLLO DE UNA BIBLIOTECA PYTHON PARA EN AJUSTE DE MODELOS OCULTOS DE MARKOV
dc.typeinfo:eu-repo/semantics/studentThesis

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
2022-23-ETSII-A-2315-2315048-a.fernandezmo.2018-MEMORIA.pdf
Tamaño:
2.45 MB
Formato:
Adobe Portable Document Format
Descripción:
Memoria del TFG
Descargar

Colecciones

Trabajos Fin de Grado