Información del autor
Autor Marques, Joao Alexandre Lobo |
Documentos disponibles escritos por este autor (1)
Crear una solicitud de compra Refinar búsqueda
TÃtulo : Predictive Models for Decision Support in the COVID-19 Crisis Tipo de documento: documento electrónico Autores: Marques, Joao Alexandre Lobo, ; Gois, Francisco Nauber Bernardo, ; Xavier-Neto, José, ; Fong, Simon James, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: VII, 98 p. 48 ilustraciones, 41 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-61913-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Procesamiento de datos MinerÃa de datos y descubrimiento de conocimientos Investigación de Operaciones y TeorÃa de la Decisión Promoción de la salud y prevención de enfermedades Investigación operativa EpidemiologÃa Gestión industrial Promoción de Clasificación: 658.5 Gerencia de la producción Resumen: La COVID-19 ha llegado al mundo sin estar preparado y se ha convertido en la pandemia más mortÃfera del siglo. Los gobiernos y las autoridades, como lÃderes y tomadores de decisiones que luchan contra el virus, aprovechan enormemente el poder de la inteligencia artificial y sus modelos predictivos para respaldar decisiones urgentes. Este libro muestra una colección de importantes modelos predictivos que se utilizaron durante la pandemia y analiza y compara su eficacia y limitaciones. Los lectores tanto del sector sanitario como del mundo académico pueden obtener conocimientos únicos sobre cómo se diseñaron y aplicaron los modelos predictivos a los datos epidémicos. Tomando la COVID19 como caso de estudio y mostrando las lecciones aprendidas, este libro permitirá a los lectores estar mejor preparados en caso de epidemias o pandemias de virus en el futuro. Nota de contenido: Chapter 1. Prediction for Decision Support during the COVID-19 Pandemic -- Chapter 2. Epidemiology Compartmental Models - SIR, SEIR and SEIR with Intervention -- Chapter 3. Forecasting COVID-19 Time Series based on an Auto Regressive Model -- Chapter 4. Nonlinear Prediction for the COVID-19 Data based on Quadratic Kalman Filtering -- Chapter 5. Artiï¬cial Intelligence Prediction for the COVID-19 Data based on LSTM Neural Networks and H2O AutoML -- Chapter 6. Predicting the Geographic Spread of the COVID-19 Pandemic: a case study from Brazil. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Predictive Models for Decision Support in the COVID-19 Crisis [documento electrónico] / Marques, Joao Alexandre Lobo, ; Gois, Francisco Nauber Bernardo, ; Xavier-Neto, José, ; Fong, Simon James, . - 1 ed. . - [s.l.] : Springer, 2021 . - VII, 98 p. 48 ilustraciones, 41 ilustraciones en color.
ISBN : 978-3-030-61913-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Procesamiento de datos MinerÃa de datos y descubrimiento de conocimientos Investigación de Operaciones y TeorÃa de la Decisión Promoción de la salud y prevención de enfermedades Investigación operativa EpidemiologÃa Gestión industrial Promoción de Clasificación: 658.5 Gerencia de la producción Resumen: La COVID-19 ha llegado al mundo sin estar preparado y se ha convertido en la pandemia más mortÃfera del siglo. Los gobiernos y las autoridades, como lÃderes y tomadores de decisiones que luchan contra el virus, aprovechan enormemente el poder de la inteligencia artificial y sus modelos predictivos para respaldar decisiones urgentes. Este libro muestra una colección de importantes modelos predictivos que se utilizaron durante la pandemia y analiza y compara su eficacia y limitaciones. Los lectores tanto del sector sanitario como del mundo académico pueden obtener conocimientos únicos sobre cómo se diseñaron y aplicaron los modelos predictivos a los datos epidémicos. Tomando la COVID19 como caso de estudio y mostrando las lecciones aprendidas, este libro permitirá a los lectores estar mejor preparados en caso de epidemias o pandemias de virus en el futuro. Nota de contenido: Chapter 1. Prediction for Decision Support during the COVID-19 Pandemic -- Chapter 2. Epidemiology Compartmental Models - SIR, SEIR and SEIR with Intervention -- Chapter 3. Forecasting COVID-19 Time Series based on an Auto Regressive Model -- Chapter 4. Nonlinear Prediction for the COVID-19 Data based on Quadratic Kalman Filtering -- Chapter 5. Artiï¬cial Intelligence Prediction for the COVID-19 Data based on LSTM Neural Networks and H2O AutoML -- Chapter 6. Predicting the Geographic Spread of the COVID-19 Pandemic: a case study from Brazil. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
