000			nam a22 7a 4500
999			_c50459 _d50459
005			20260504084059.0
008			260316e2025 ck |||fsm||| 00| 0 spa d
040			_aCO-NeUS _bspa _erda
041			_aspa
100	1		_9161873 _aParra Quintero, Dania Nayely _eaut
245	1	0	_aAplicación de modelos supervised machine learning para la predicción de la producción de carne de bovinos: _bUn enfoque nutrigenético y ambiental / _cDania Nayely Parra Quintero, Estefany Cortés Echeverry; Diector Christián Cortés García; Asesor de Tesis Carlos Javier Martínez Moncaleano
256			_aDatos electrónicos (1 archivos:3655 MG)
264	1		_aNeiva: _bUniversidad Surcolombiana; _c2025
300			_a1 CD-ROM (178 páginas); _bdiagramas, mapas, tablas o cuadros; _c12 cm
336			_2rdacontent _atxt _btxt
337			_2rdamedia _ac _bcd
338			_2rdacarrier _acd _bcd
347			_2rda _atexto _bpdf
502			_aTesis _bMagíster en Estudios Interdisciplinarios de la Complejidad _cUniversidad Surcolombiana. Facultad de Ciencias Exactas y Naturales. Maestría en Estudios Interdisciplinarios de la Complejidad _d2025
505			_aResumen -- Antecedentes y justificación -- Fundamentos teóricos -- Objetivos de la investigación -- Metodología -- Análisis y discusión de resultados -- Conclusión
520			_a"Este proyecto de investigación se basa en un enfoque de ciencias de la complejidad. La ganadería se aborda como un sistema adaptativo conformado por factores nutrigenéticos (raza, cruce y tipo de alimentación) que interactúan y se adaptan a cambios en el ambiente (temperatura, precipitación y humedad). Esta tesis propone implementar algoritmos de Supervised Machine Learning para predecir la producción bovina del departamento del Huila entre 2008 y 2023. Para estructurar la investigación con una visión de negocio se utilizó la metodología CRISP-DM, mediante sus fases se orientó el orden de la investigación. Se utilizó R-studio para desarrollar los algoritmos con las librerías (caredt, e1071, class, rpart, randomForest y NeuralNetTools). A partir de un conjunto de datos históricos se compararon diferentes algoritmos de regresión, evaluados mediante Cross validation destacándose SVM radial y Random Forest como los modelos que mejor se ajustan y presentan menor error predictivo frente a los demás. Se realizó una evaluación para determinar el más eficiente en la predicción; el modelo con mejor adaptación e interpretación fue el de Random Forest. El mejor modelo fue el Random Forest con 800 árboles y 64 observaciones, con un coeficiente de determinación (R^2) del 97,8% de la variabilidad de la carne, esté hace referencia al ajuste del modelo frente a las variables de observación. Finalmente se implementó este modelo para predecir la cantidad de carne en toneladas de cada municipio del departamento del Huila, confirmando su utilidad en este tipo de investigación."
700	1		_9161874 _aCortés Echeverry, Estefany _eaut
700	1		_9151700 _aCortés García, Christián Camilo _edrt
700	1		_9143680 _aMartínez Moncaleano, Carlos Javier, _edrt
082	0	4	_221 _aTh MEIC 137
650		0	_9161875 _aProducción Bovina _xModelo Supervised Machine Learning
650		0	_9161876 _aNutrigenética _xCarne de Bovinos
942			_2Local _cCD _hTh MEIC 137 _kTh