Aplicación de Machine Learning para análisis de los fenómenos de violencia intrafamiliar en el departamento del Atlántico
Contenido principal de artículos
Palabras clave:
Machine Learning, violencia intrafamiliar, estudios de hechos
Resumen
La finalidad de este artículo es presentar los resultados de una búsqueda global y caracterizar los hechos de violencia intrafamiliar presentados en el departamento del Atlántico; al recolectar información de estudios hechos a nivel mundial, en los continentes europeos, el continente asiático, y el continente americano, al igual, cuáles son los países más afectados por la violencia intrafamiliar, se ubica a Colombia en el puesto 147 de 162 países evaluados, siendo el número 1 el puesto
correspondiente al país más pacífico. Partiendo de esto, hicimos un enfoque en el país, más específicamente en el departamento del atlántico. A su vez a los datos recolectados se les aplicaron técnicas de Machine Learning.
Citas
[1] J. Pineda y L. Otero, «Género, violencia intrafamiliar e intervención pública en Colombia,» Revista de estudios sociales, nº 17, pp. 19-31, 2004.
[2] C. Caicedo, «LUCHA CONTRA LA VIOLENCIA INTRAFAMILIAR : PERSPECTIVAS DESDE LA EXPERIENCIA COLOMBIANA,» Diciembre 2005. [En línea]. Available: http://www.americalatinagenera.org/documentos/roster/ros_32_Lucha%20contra%20la%20violencia%20intrafamiliar.pdf. [Último acceso: Mayo 2021].
[3] E. N. I. y M. M.J., «What Is Machine Learning?,» de Machine Learning in Radiation Oncology, Springer International Publishing Switzerland, 2015, pp. 3-11.
[4] D. Heredia, Y. Amaya y E. Barrientos, «Student dropout predictive model using data mining techniques,» IEEE Latin America Transactions, vol. 13, nº 9, pp. 3127-3134, 2015.
[5] D. Heredia, J. Castillo, P. Sanmartin y V. Quintero, «Aplicación de técnicas de minería de datos sobre datos georreferenciados para obtener un modelo predictivo: Caso de Estudio Hurtos en la Ciudad de Barranquilla,» de Datos, Información, Tendencias, tres miradas sobre un contexto cambiante, Barranquilla, Ediciones Universidad Simón Bolívar, 2019, pp. 77-91.
[6] E. Fernandez y Y. Gomez, «Metodología para el análisis de la violencia en el departamento de Bolívar mediante técnicas de machine learning,» 2018. [En línea]. Available: http://repositorio.utb.edu.co/handle/20.500.12585/1118. [Último acceso: Febrero 2021].
[7] M. Hung, J. Wu, J. Chang y Y. D, «An Efficient k-Means Clustering Algorithm Using Simple Partitioning,» JOURNAL OF INFORMATION SCIENCE AND ENGINEERING, nº 21, pp. 1157-1177, 2005.
[8] E. Kulkarni y R. Kulkarni, «WEKA Powerful Tool in Data Mining,» de National Seminar on Recent Trends in Data Mining, 2016.
[9] L. Breiman, «Random Forests,» de Machine Learning, Berkley, Springer, 2001, p. 5–32.
[10] Z. Masetic y A. Subasi, «Congestive heart failure detection using random forest classifier,» Computer Methods and Programs in Biomedicine, vol. 130, pp. 54-64, 2016.
[11] C. Corso, «Aplicación de algoritmos de clasificación supervisada usando Weka.,» 2009. [En línea]. Available: https://www.investigacion.frc.utn.edu.ar/labsis/Publicaciones/congresos_labsis/cynthia/CNIT_2009_Aplicacion_Algoritmos_Weka.pdf. [Último acceso: Mayo 2021].
[12] S. Kapil y M. Chawla, «Performance evaluation of K-means clustering algorithm with various distance metrics,» de IEEE 1st International Conference on Power Electronics, Intelligent Control and Energy Systems (ICPEICES), 2016.
[13] R. M. V. R. Berlanga V., 1 Enero 2013. [En línea]. Available: http://hdl.handle.net/2445/43762. [Último acceso: Mayo 2021].
[14] P. Kapoor y R. Rani, «Efficient Decision Tree Algorithm Using J48 and Reduced Error Pruning,» International Journal of Engineering Research and General Science, vol. 3, nº 3, pp. 1613-1621, 2015.
[15] Policía Nacional de Colombia, «Datos abiertos,» Febrero 2021. [En línea]. Available: https://www.datos.gov.co/Seguridad-y-Defensa/Reporte-Delito-Violencia-Intrafamiliar-Polic-a-Nac/vuyt-mqpw. [Último acceso: Febrero 2021].
[16] C.A. Gutiérrez, R. Almeida., y W. Romero, “Diseño de un modelo de migración acloud computing para entidades públicas de salud”, Investigación e Innovación en Ingenierías, vol. 6, n°. 1, pp. 10 - 26., 2018. DOI: https://doi.org/10.17081/invinno.6.1.2772
[17] Y. L. Coronel Montaguht, J. P. Dolcey, y Morales González K., «Economi?a naranja: ¿cua?nto se puede exprimir?», ADGNOSIS, vol. 6, n.º 6, pp. 195–199, dic. 2017.
[18] H. G. Hernandez Palma, J. Solórzano Movilla, y J. Jinete Torres, "La Teoría de restricciones para los procesos de gestión y control en las IPS del Caribe Colombiano", Investigación e Innovación en Ingenierías, vol. 8, n.º 1, pp. 54–68, 2020. DOI: https://doi.org/10.17081/invinno.8.1.3624
[19] E. J. De la Hoz Domínguez, T. J. . Fontalvo Herrera, y A. A. Mendoza Mendoza, "Aprendizaje automático y PYMES: Oportunidades para el mejoramiento del proceso de toma de decisiones", Investigación e Innovación en Ingenierías, vol. 8, n.º 1, pp. 21–36, 2020. DOI: https://doi.org/10.17081/invinno.8.1.3506
[20] W. A. Ceballos Betancur, «Tendencias de la responsabilidad social universitaria (RSU) de las instituciones de educacio?n superior (IES) en la ciudad de Medelli?n - Colombia», ADGNOSIS, vol. 6, n.º 6, pp. 85–100, dic. 2017.
[2] C. Caicedo, «LUCHA CONTRA LA VIOLENCIA INTRAFAMILIAR : PERSPECTIVAS DESDE LA EXPERIENCIA COLOMBIANA,» Diciembre 2005. [En línea]. Available: http://www.americalatinagenera.org/documentos/roster/ros_32_Lucha%20contra%20la%20violencia%20intrafamiliar.pdf. [Último acceso: Mayo 2021].
[3] E. N. I. y M. M.J., «What Is Machine Learning?,» de Machine Learning in Radiation Oncology, Springer International Publishing Switzerland, 2015, pp. 3-11.
[4] D. Heredia, Y. Amaya y E. Barrientos, «Student dropout predictive model using data mining techniques,» IEEE Latin America Transactions, vol. 13, nº 9, pp. 3127-3134, 2015.
[5] D. Heredia, J. Castillo, P. Sanmartin y V. Quintero, «Aplicación de técnicas de minería de datos sobre datos georreferenciados para obtener un modelo predictivo: Caso de Estudio Hurtos en la Ciudad de Barranquilla,» de Datos, Información, Tendencias, tres miradas sobre un contexto cambiante, Barranquilla, Ediciones Universidad Simón Bolívar, 2019, pp. 77-91.
[6] E. Fernandez y Y. Gomez, «Metodología para el análisis de la violencia en el departamento de Bolívar mediante técnicas de machine learning,» 2018. [En línea]. Available: http://repositorio.utb.edu.co/handle/20.500.12585/1118. [Último acceso: Febrero 2021].
[7] M. Hung, J. Wu, J. Chang y Y. D, «An Efficient k-Means Clustering Algorithm Using Simple Partitioning,» JOURNAL OF INFORMATION SCIENCE AND ENGINEERING, nº 21, pp. 1157-1177, 2005.
[8] E. Kulkarni y R. Kulkarni, «WEKA Powerful Tool in Data Mining,» de National Seminar on Recent Trends in Data Mining, 2016.
[9] L. Breiman, «Random Forests,» de Machine Learning, Berkley, Springer, 2001, p. 5–32.
[10] Z. Masetic y A. Subasi, «Congestive heart failure detection using random forest classifier,» Computer Methods and Programs in Biomedicine, vol. 130, pp. 54-64, 2016.
[11] C. Corso, «Aplicación de algoritmos de clasificación supervisada usando Weka.,» 2009. [En línea]. Available: https://www.investigacion.frc.utn.edu.ar/labsis/Publicaciones/congresos_labsis/cynthia/CNIT_2009_Aplicacion_Algoritmos_Weka.pdf. [Último acceso: Mayo 2021].
[12] S. Kapil y M. Chawla, «Performance evaluation of K-means clustering algorithm with various distance metrics,» de IEEE 1st International Conference on Power Electronics, Intelligent Control and Energy Systems (ICPEICES), 2016.
[13] R. M. V. R. Berlanga V., 1 Enero 2013. [En línea]. Available: http://hdl.handle.net/2445/43762. [Último acceso: Mayo 2021].
[14] P. Kapoor y R. Rani, «Efficient Decision Tree Algorithm Using J48 and Reduced Error Pruning,» International Journal of Engineering Research and General Science, vol. 3, nº 3, pp. 1613-1621, 2015.
[15] Policía Nacional de Colombia, «Datos abiertos,» Febrero 2021. [En línea]. Available: https://www.datos.gov.co/Seguridad-y-Defensa/Reporte-Delito-Violencia-Intrafamiliar-Polic-a-Nac/vuyt-mqpw. [Último acceso: Febrero 2021].
[16] C.A. Gutiérrez, R. Almeida., y W. Romero, “Diseño de un modelo de migración acloud computing para entidades públicas de salud”, Investigación e Innovación en Ingenierías, vol. 6, n°. 1, pp. 10 - 26., 2018. DOI: https://doi.org/10.17081/invinno.6.1.2772
[17] Y. L. Coronel Montaguht, J. P. Dolcey, y Morales González K., «Economi?a naranja: ¿cua?nto se puede exprimir?», ADGNOSIS, vol. 6, n.º 6, pp. 195–199, dic. 2017.
[18] H. G. Hernandez Palma, J. Solórzano Movilla, y J. Jinete Torres, "La Teoría de restricciones para los procesos de gestión y control en las IPS del Caribe Colombiano", Investigación e Innovación en Ingenierías, vol. 8, n.º 1, pp. 54–68, 2020. DOI: https://doi.org/10.17081/invinno.8.1.3624
[19] E. J. De la Hoz Domínguez, T. J. . Fontalvo Herrera, y A. A. Mendoza Mendoza, "Aprendizaje automático y PYMES: Oportunidades para el mejoramiento del proceso de toma de decisiones", Investigación e Innovación en Ingenierías, vol. 8, n.º 1, pp. 21–36, 2020. DOI: https://doi.org/10.17081/invinno.8.1.3506
[20] W. A. Ceballos Betancur, «Tendencias de la responsabilidad social universitaria (RSU) de las instituciones de educacio?n superior (IES) en la ciudad de Medelli?n - Colombia», ADGNOSIS, vol. 6, n.º 6, pp. 85–100, dic. 2017.
Barra lateral de artículos
Enviado
Sep 23, 2021
Publicado
Jun 1, 2021
Detalles de artículo
Sección
ARTÍCULOS
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.