Identificador persistente para citar o vincular este elemento: http://hdl.handle.net/10553/103213
Título: Segmentación/clusterización con algoritmos de Machine Learning. Aplicación a un caso de Ciencias Sociales
Autores/as: Vega Morales, Adrián
Director/a : Romero Quintero, Leonardo 
Sánchez Medina, Agustín Jesús 
Clasificación UNESCO: 120317 Informática
5311 Organización y dirección de empresas
Palabras clave: Machine learning
LCA
K-means
Intención de abandono
Entrepreneurial exit
Fecha de publicación: 2020
Resumen: Las distintas técnicas de Machine Learning, que tratan de estudiar patrones comunes en datos, son cada vez más utilizadas en todos los ámbitos, incluyendo campos como la psicología o el márketing. Entre estas técnicas se encuentran las no supervisadas, como LCA o k-means, en las que el algoritmo busca patrones en una población de datos de la que no se conoce nada previamente. Por este motivo, resultan más útiles en estudios exploratorios y son los que se han considerado más adecuados en el presente trabajo, cuya finalidad es intentar encontrar las causas de una mayor intención de abandono entre los empresarios del sector turístico canario.
Different Machine Learning techniques try to study patterns in data and are increasingly used in areas like psychology or marketing. Among these techniques there are unsupervised ones, such as LCA or k-means, in which the algorithm looks for patterns in a database for which there isn’t prior knowledge. For this reason, these are more useful in exploratory studies and have been considered more suitable in present work. This work tries to find the causes of entrepreneurial exit among the entrepreneurs of the Canary tourism sector.
Departamento: Departamento de Economía y Dirección De Empresas
Titulación: Programa de doble titulación: Grado en Ingeniería Informática y Grado en Administración y Dirección de Empresas
URI: http://hdl.handle.net/10553/103213
Colección:Trabajo final de grado

En el caso de que no encuentre el documento puede ser debido a que el centro o las/os autoras/es no autorizan su publicación. Si tiene verdadero interés en el contenido del mismo, puede dirigirse al director/a o directores/as del trabajo cuyos datos encontrará más arriba.

Vista completa

Visitas

250
actualizado el 05-oct-2024

Google ScholarTM

Verifica


Comparte



Exporta metadatos



Los elementos en ULPGC accedaCRIS están protegidos por derechos de autor con todos los derechos reservados, a menos que se indique lo contrario.