Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Lamos Díaz, HenryPolo Triana, Sonia Isabel2023-02-232023-02-232023-02-232023-02-23https://noesis.uis.edu.co/handle/20.500.14071/12272Para el desarrollo del presente trabajo, se crearon modelos predictivos basados en Deep Learning (LSTM, RNN, GRU, CNN) para la predicción de casos de Dengue, Zika y Chikungunya en Santander, a partir de variables climáticas (Temperaturas, precipitaciones y humedad relativa). Para esto se siguió la metodología KDD (Knowledge Discovery in Databases). Como primera instancia, se recolectó y organizó el conjunto de datos y se realizó el análisis estadístico descriptivo. Posteriormente, se realizó el preprocesamiento de los datos, se hicieron transformaciones de estos y se determinó la importancia de las características para escoger las variables a utilizar. Luego, se realizó la construcción de los modelos para lo cual se realizó la selección de los hiperparámetros. Los modelos Deep Learning se compararon con un modelo de red neuronal tradicional (MLP), el cual presentó los mejores resultados en cuatro de los seis municipios de estudio.application/pdfspainfo:eu-repo/semantics/openAccessDeep LearningPredicciónDengueModelos Deep Learning para el proceso de vigilancia de enfermedades arbovirales: Aplicación a lo datos de Dengue, Zika y Chicungunya en SantanderUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestríaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coDeep LearningPredictionDengue FeverDeep Learning Models for the Surveillance Process of Arboviral Diseases: Application to Dengue, Zika and Chicungunya Data in Santanderhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)