Bienvenido al Repositorio Institucional de la UTPL (RiUTPL) que tiene como propósito centralizar los recursos educativos y objetos de aprendizaje generados por la comunidad académica;
este repositorio permitirá preservar, organizar y visibilizar la producción institucional
bajo la licencia Creative Commons 4.0.
Por favor, use este identificador para citar o enlazar este ítem:
http://dspace.utpl.edu.ec/jspui/handle/123456789/30969| Título : | Predicción de rendimiento de redes LTE con técnicas de Machine Learning |
| Autor : | Carrión Herrera, María de los Ángeles |
| metadata.dc.contributor.advisor: | Rohoden Jaramillo, Katty Alexandra |
| Palabras clave : | Análisis de datos Telecomunicaciones Ingeniero en electrónica y telecomunicaciones Tesis y disertaciones académicas |
| metadata.dc.date.available: | 2022-09-02T11:56:29Z |
| Fecha de publicación : | 2022 |
| Citación : | Carrión Herrera, María de los Ángeles. Rohoden Jaramillo, Katty Alexandra.(2022). Predicción de rendimiento de redes LTE con técnicas de Machine Learning . Universidad Técnica Particular de Loja |
| Descripción : | Resumen: Predecir el rendimiento de una red móvil celular, es uno de los principales desafíos que se presentan al evaluar la calidad deservicio de cualquier operador de telefonía móvil. Esta predicción permite al operador estar al tanto de los escenarios futuros de la red y de esta manera tomar acciones correctivas antes de que éstas ocurran. Los algoritmos de aprendizaje automático respaldados por grandes cantidades de datos en escenarios reales proporcionan a los operadores de las redes móviles celulares una garantía de eficiencia en el funcionamiento de la red. El presente trabajo, utiliza técnicas de Machine Learning para la predicción del rendimiento de la red LTE, para ellos e construyó una base de datos de una red móvil celular usando una aplicación en Android. Se utilizo la metodología CRISP-DM para efectuar la minería de datos y planteamos diferentes escenarios en donde se entrenaron los modelos de Machine Learning, finalmente estos modelos se evaluaron con una partición 70:30 (entrenamiento: testeo), haciendo uso de métricas estadísticas que permitieron establecer elmodelo que mejor se adapta a los escenarios planteados. |
| metadata.dc.identifier.other: | 1355143 |
| URI : | http://dspace.utpl.edu.ec/handle/123456789/30969 |
| metadata.dc.type: | bachelorThesis |
| Aparece en las colecciones: | Maestría en Educación mención Innovación y Liderazgo Educativo |
Ficheros en este ítem:
Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.