Introducción.

La presente investigación se enmarca en la introducción de nuevos métodos computacionales de optimización matemática para el estudio de problemas de estimación de múltiples indicadores.

Métodos.

Se incluyen un grupo de propuestas de algoritmos de aprendizaje, modelados eficientemente por medio de métodos de optimización ajustados a cada problema y sus aplicaciones en la predicción de múltiples indicadores. Se resuelve eficientemente la introducción de regularizadores apropiados para el entrenamiento simultáneo de varias estructuras de aprendizajes de bajo rango y el aprendizaje de funciones de distancias.

Resultados y Discusión.

Se comprobó experimentalmente, sobre 18 conjuntos de datos disponibles. Los resultados muestran superioridad de la propuesta respecto a los algoritmos del estado del arte MSLR y MMR en tanto los tiempos de ejecución son significativamente menores. Los algoritmos meta-heurísticos basados en métodos de continuación propuestos en el presente trabajo obtienen un menor valor del error de generalización y error de entrenamiento, con diferencia estadísticamente significativa, respecto al algoritmo gradiente descendente estocástico en el entrenamiento de redes neuronales artificiales. Los resultados de introducir el algoritmo DMLMTP demuestran una mejora significativa respecto al algoritmo base KNN-SP propuesto previamente como parte del aprendizaje basado en instancias. Conclusiones, se proponen modernos métodos de optimización matemáticas para la solución de problemas de predicción de múltiples indicadores, posiblemente correlacionados los cuales mejoran los resultados de exactitud del estado del arte en tanto su diseño denota una elevada eficiencia. Se logran aplicaciones concretas en la estimación de la aparición a corto y largo plazo de COVID-19 que validan la investigación.

        · resumo em Inglês     · texto em Espanhol     · Espanhol ( pdf )