| dc.contributor | Oviedo Carrascal, Efraín Alberto | |
| dc.creator | Ceballos Sánchez, Juan David | |
| dc.date | 2023-07-04T16:25:51Z | |
| dc.date | 2023-07-04T16:25:51Z | |
| dc.date | 2023 | |
| dc.date.accessioned | 2024-04-23T14:11:00Z | |
| dc.date.available | 2024-04-23T14:11:00Z | |
| dc.identifier | https://hdl.handle.net/10495/35747 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9229202 | |
| dc.description | RESUMEN : este documento presenta los resultados de un proyecto de aprendizaje automático para analizar la criminalidad en la ciudad de Nueva York a partir de denuncias de distintos tipos de delitos registrados en un histórico de 2016 a 2019. El objetivo principal fue implementar modelos de agrupamiento que permitieran categorizar y agrupar los distintos tipos de crímenes en tres de los cinco distritos de la ciudad: Brooklyn, Bronx y Manhattan, con el fin encontrar patrones, entender y generar conocimiento y estrategias que permitan a las agencias encargadas de la ley y otros entes de seguridad desplegar sus recursos de manera más eficiente.
Para lograr lo planteado se implementaron los algoritmos KMeans y KModes y, a pesar de la complejidad del problema y la estructura de los datos, se encontró un patrón marcado en cada modelo por medio del cual se puede interpretar y caracterizar cómo son los principales tipos de crímenes en los tres distritos. | |
| dc.description | ABSTRACT : this document presents the results of a machine learning project aimed at analyzing crime in the city of New York based on reported incidents of various types of crimes recorded from 2016 to 2019. The main objective was to implement clustering models that would allow for categorizing and grouping the different types of crimes in three out of the five boroughs of the city: Brooklyn, Bronx, and Manhattan. The goal was to identify patterns, gain understanding, and generate knowledge and strategies that would enable law enforcement agencies and other security entities to deploy their resources more efficiently.
To achieve this, the KMeans and KModes algorithms were implemented. Despite the complexity of the problem and the structure of the data, a distinct pattern was found in each model, which can be interpreted and characterized to understand the main types of crimes in the three boroughs. | |
| dc.format | 46 | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Medellín, Colombia | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | |
| dc.rights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Visualización de datos | |
| dc.subject | Data visualization | |
| dc.subject | Aprendizaje automático (inteligencia artificial) | |
| dc.subject | Machine learning | |
| dc.subject | Delitos | |
| dc.subject | Prevención del delito | |
| dc.subject | clúster | |
| dc.subject | Aprendizaje automático no supervisado | |
| dc.subject | Big data | |
| dc.subject | Variables categóricas | |
| dc.subject | http://vocabularies.unesco.org/thesaurus/concept17105 | |
| dc.title | Clasificación de crímenes por zonas en la ciudad de Nueva York utilizando técnicas de aprendizaje automático no supervisado | |
| dc.type | info:eu-repo/semantics/other | |
| dc.type | info:eu-repo/semantics/draft | |
| dc.type | http://purl.org/coar/resource_type/c_46ec | |
| dc.type | http://purl.org/redcol/resource_type/COther | |
| dc.type | Tesis/Trabajo de grado - Monografía - Especialización | |
