This is a lecture on the basic concepts of labour economics

Análisis comparativo de rendimiento entre algoritmos de Machine Learning (KNN, SVM, XGBoost, Random Forest y RNA c(12)) aplicados a la predicción de generación solar, eólica y demanda eléctrica. Se presentan métricas R², RMSE y MAE para evaluar precisión y errores de cada modelo.

Code and program for analyzing STI Data for the analysis of Sexually Transmitted Infections.

This detailed report reveals how external factors like weather and holidays shape bike rental demand. The insights support smarter staffing and inventory planning, with a focus on making data-driven decisions accessible to both analysts and business teams.

Este proyecto explora cómo la cantidad de capas y neuronas en una Red Neuronal afecta la precisión del pronóstico de generación solar, eólica y demanda eléctrica. Se implementaron modelos en R con la librería neuralnet, evaluando arquitecturas como A1 = c(3), A2 = c(3,3), A3 = c(3,3,3), A4 = c(3,3,3,3), A5 = c(3,3,3,3,3), A6 = c(3,3,3,3,3,3), A7 = c(6), A8 = c(8), A9 = c(10), A10 = c(12), A11 = c(15,15), A12 = c(10,10), A13 = c(20). Se compararon las métricas de error (R², RMSE, MAE) para cada arquitectura, observando el impacto de aumentar la profundidad y el número de neuronas sobre la precisión del pronóstico. Los resultados muestran el desafío de equilibrar la complejidad del modelo con la precisión en series temporales de energía.