Machine learning with data augmentation to predict glucantime effectiveness against cutaneous leishmaniasis

Hoyos Urcué, Juan José

Machine learning with data augmentation to predict glucantime effectiveness against cutaneous leishmaniasis

dc.contributor.advisor	Álvarez Vargas, Gloria Inés
dc.contributor.advisor	Linares Ospina, Diego Luis
dc.contributor.author	Hoyos Urcué, Juan José
dc.date.accessioned	2024-06-17T21:24:15Z
dc.date.available	2024-06-17T21:24:15Z
dc.date.issued	2021
dc.description.abstract	Enfrentar problemas de análisis de datos en pequeños conjuntos de datos es un problema común en la investigación médica; asimismo, es un problema que dificulta mucho la aplicación y el éxito de los algoritmos clásicos de aprendizaje automático. Muchas técnicas han abordado el problema de un pequeño conjunto de datos, principalmente para los campos de visión artificial y procesamiento de imágenes. Sin embargo, para los datos tabulares, se ha difundido muy poco. En este trabajo de grado se propone el uso de técnicas de aumento de datos tabulares para introducir instancias sintéticas bastante similares a las reales, particularmente en el contexto de un problema médico/social de predecir la efectividad de Glucantime como tratamiento contra la Leishmaniasis cutánea. Los experimentos muestran que el uso de estos algoritmos de aumento de datos mejora las características del conjunto de datos inicial y el rendimiento de los modelos de aprendizaje automático. El conjunto de datos utilizado en esta investigación tiene diez atributos y 18 registros.
dc.description.abstracteng	Facing data analysis problems on small data sets is a common problem in medical research; likewise, it is a problem that makes the application and success of classic machine learning algorithms very difficult. Many techniques have tackled the problem of a small data set, mainly for computer vision and image processing fields. However, for tabular data, short has been disseminated. In this degree project, the use of tabular data augmentation techniques is proposed to introduce synthetic instances quite similar to real instances, particularly in the context of a medical/social problem of predicting the effectiveness of Glucantime as a treatment against cutaneous Leishmaniasis. Experiments show that using these data augmentation algorithms enhances the characteristics of the initial data set and dramatically improves the performance of machine learning models.
dc.format.extent	70 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	https://vitela.javerianacali.edu.co/handle/11522/2841
dc.language.iso	eng
dc.publisher	Pontificia Universidad Javeriana Cali
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Machine Learning
dc.subject	Tabular data augmentation
dc.subject	Cutaneous leishmaniasis
dc.subject	Infectious disease
dc.subject	Synthetic data
dc.subject	Small dataset
dc.subject	K-Nearest neighbors
dc.subject	Logistic regression
dc.subject	Support vector machines
dc.thesis.discipline	Facultad de Ingeniería y Ciencias. Ingeniería de Sistemas y Computación
dc.thesis.grantor	Pontificia Universidad Javeriana Cali
dc.thesis.level	Pregrado
dc.thesis.name	Ingeniero(a)de Sistemas y Computación
dc.title	Machine learning with data augmentation to predict glucantime effectiveness against cutaneous leishmaniasis	eng
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	https://purl.org/redcol/resource_type/TP