000059156 001__ 59156
000059156 005__ 20170127103300.0
000059156 037__ $$aTAZ-TFG-2016-2057
000059156 041__ $$aspa
000059156 1001_ $$aCampo León, Elena
000059156 24200 $$aAn introduction to support vector machines (SVM) in supervised statistical learning
000059156 24500 $$aIntroducción a las máquinas de vector soporte (SVM) en aprendizaje supervisado
000059156 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2016
000059156 500__ $$aAporta en secretaría material físico.
000059156 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000059156 520__ $$aHoy en día el aprendizaje estadístico supervisado y más concretamente las máquinas de vector soporte (SVM) están implícitamente presentes en gran cantidad de aspectos de nuestra vida. Desde la detección de intrusos, al reconocimiento de caracteres o del habla, pasando por un amplio campo de aplicaciones en bioinformática. El aprendizaje estadístico se consolida como rama de la estadística hacia 1995 cuando Vladimir Vapnik publica su renombrado libro "The Nature of Statistical Learning Theory". La idea principal del aprendizaje estadístico se basa en el concepto de "aprender" a partir de un conjunto de ejemplos o datos de entrenamiento, donde cada uno pertenece a una de las dos categorías a clasificar. Una SVM es un modelo que se construye "entrenando" sobre una serie de ejemplos. Dicho de otra forma, la SVM "aprende" de un conjunto de ejemplos para poder predecir la categoría de un nuevo ejemplo de llegada. En este trabajo se pretende hacer una introducción al extenso campo de las máquinas de vector soporte y su utilidad como clasificadores. En primer lugar se aborda el problema de clasificación binaria, tanto en el caso separable como en el cuasi-separable y finalmente en el caso general no linealmente separable mediante el uso de los kernels no lineales. También se hace una breve generalización de estos modelos al caso de más de dos categorías a clasificar y al problema de la predicción en respuesta continua. Además veremos una aplicación práctica en Medicina a un caso clínico de pacientes con cáncer de mama. De esta forma, recibido un nuevo paciente, nuestro clasificador será capaz de predecir si padece un tumor maligno o benigno.
000059156 521__ $$aGraduado en Matemáticas
000059156 540__ $$aDerechos regulados por licencia Creative Commons
000059156 700__ $$aAlcalá Nalvaiz, José Tomás$$edir.
000059156 7102_ $$aUniversidad de Zaragoza$$bMétodos Estadísticos$$cEstadística e Investigación Operativa
000059156 8560_ $$f492392@celes.unizar.es
000059156 8564_ $$s514543$$uhttps://zaguan.unizar.es/record/59156/files/TAZ-TFG-2016-2057.pdf$$yMemoria (spa)
000059156 909CO $$ooai:zaguan.unizar.es:59156$$pdriver$$ptrabajos-fin-grado
000059156 950__ $$a
000059156 951__ $$adeposita:2017-01-26
000059156 980__ $$aTAZ$$bTFG$$cCIEN