examen 2 todo lo avanzado

The AirQuality dataset in R contains daily air quality measurements collected in New York City from May to September 1973. The dataset includes variables such as ozone concentration, solar radiation, wind speed, and daily temperature. In this analysis, we focus on predicting temperature, which is a key climatic variable with strong implications for environmental studies, health impacts, and energy demand forecasting. We apply two machine learning models: Random Forest, a powerful ensemble method that captures complex, non-linear relationships between predictors, and Neural Network (shallow), which provides an alternative regression approach by simulating interconnected neurons. By comparing the two models, we can assess their predictive performance and understand the relative importance of different meteorological variables in explaining temperature variations during this historical air quality study.

Workshop 3 - Statistics for AI Alberto Dorantes, Ph.D. Tec de Monterrey

Apuntes de Finanzas Corporativas

Tal vez esto nos ayude a entender si existe relación entre las partículas generadas en el aire(PM10) y como nos afecta durante el tiempo con las consultas externas realizadas en el medico por asma de cualquier tipo. Resumen: En el principio de año crecen de manera exponencial los casos de asma y las partículas (PM10) en el aire, de manera conjunta al tiempo en algunos tipos de asma y dependiendo de la zona, después se ve un decrecimiento de casi hasta lo mínimo de partículas y de consultas externas por asma en el mes 6, es decir, que la causa de estas partículas (pm10) se detiene, es posible que la producción de estas partículas PM10 dejan de estar en mayor concentración a mitad del año (tal vez sus causas originales detienen la producción investigación que no se presenta en el articulo de visualización) luego existe un aumento desde el mes 7 hasta el 11 y de nuevo decrece en el mes 12, tomando así un comportamiento estacionario. Además de estos análisis el poder visualizar el comportamiento de estos dos efectos y como se relacionarán otras variables toman importancia como el tipo de persona, su diagnostico, la EPS a la que realizo la consulta y demás datos estadísticos como la frecuencia y la moda.

Trabajo integrador I - Diplomatura en Ciencias Sociales Computacionales y Humanidades Digitales} Maria de las Nieves Puglia y Belen Lopez Comision A

Comparative lexemes for concept CAMEL across Africa and Near East