Título :	Predictive Models for Decision Support in the COVID-19 Crisis
Tipo de documento:	documento electrónico
Autores:	Marques, Joao Alexandre Lobo, Autor ; Gois, Francisco Nauber Bernardo, Autor ; Xavier-Neto, José, Autor ; Fong, Simon James, Autor
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  Minería de datos y descubrimiento de conocimientos  Investigación de Operaciones y Teoría de la Decisión  Promoción de la salud y prevención de enfermedades  Investigación operativa  Epidemiología  Gestión industrial  Promoción de
Índice Dewey:	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 mortífera del siglo. Los gobiernos y las autoridades, como líderes 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. Artificial 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.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Predictive Models for Decision Support in the COVID-19 Crisis [documento electrónico] / Marques, Joao Alexandre Lobo, Autor ; Gois, Francisco Nauber Bernardo, Autor ; Xavier-Neto, José, Autor ; Fong, Simon James, Autor  . -  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  Minería de datos y descubrimiento de conocimientos  Investigación de Operaciones y Teoría de la Decisión  Promoción de la salud y prevención de enfermedades  Investigación operativa  Epidemiología  Gestión industrial  Promoción de
Índice Dewey:	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 mortífera del siglo. Los gobiernos y las autoridades, como líderes 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. Artificial 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.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i