Andrade Taramuel, Brayan StivenTulcán Cortez, Erika Johanna2024-08-162024-08-162024-07COM-134http://repositorio.upec.edu.ec/handle/123456789/2481Esta investigación analiza diversas técnicas de aprendizaje automático para identificar los niveles de estrés en bovinos, un factor crucial para su bienestar y productividad. Mediante una revisión exhaustiva de la literatura, se determinaron los factores fisiológicos y comportamentales que influyen en el estrés bovino, así como las técnicas más eficientes para su detección. Se recopilaron y preprocesaron datos de las actividades básicas como son: rumia, comida y descanso, para garantizar su calidad y adecuación en la evaluación de algoritmos. Para predecir el nivel de estrés, se implementaron y compararon varios modelos de aprendizaje automático, incluyendo bosques aleatorios, k-vecinos más cercanos (KNN), máquinas de soporte vectorial (LSTM), XGBoost, redes neuronales convolucionales (CNN), redes neuronales artificiales (ANN), redes de memoria a largo y corto plazo (LSTM) y redes neuronales profundas (DNN). La evaluación de estos modelos se llevó a cabo utilizando métricas de rendimiento como precisión, exactitud, recuperación, F1 y AUC. Los resultados mostraron que las CNN, DNN y LSTM fueron particularmente efectivas para el análisis de estrés en bovinos, superando a otros modelos en términos de precisión y capacidad de generalización. En conclusión, las técnicas de aprendizaje automático demostraron ser herramientas valiosas para la gestión del estrés en bovinos, ofreciendo un enfoque innovador para mejorar su bienestar y productividad. Este estudio destaca la importancia de continuar desarrollando y refinando estas técnicas para su aplicación en la industria ganadera.esestrés, bovino, aprendizaje automático, ciclo circadiano, nivel de actividad, ITH, sensación térmica.Thesis