Resumen:
En el trabajo de grado se propone utilizar el concepto de Aprendizaje Automático (ML, Machine Learning), con el fin de reducir el margen de error y el tiempo de procesamiento al obtener la posición de un dispositivo, enfocándose en los diferentes algoritmos de ML usados en el campo del posicionamiento en interiores tales como K-Vecinos Más Cercanos (KNN, K-Nearest Neighbor), Árbol de decisión, Naive Bayes, Máquina de Vectores de Soporte (SVM, Support Vector Machine) y Redes Neuronales (NN, Neural Networks), además, se analiza el desempeño utilizando las métricas de precisión y exactitud.
El trabajo de grado se divide en cuatro capítulos: el Capítulo 1 contiene el marco teórico con los conceptos necesarios para para la ejecución del trabajo de grado; el Capítulo 2 plantea la adaptación de los algoritmos de ML seleccionados al posicionamiento en interiores; el Capítulo 3 presenta la implementación, entrenamiento y validación de los algoritmos en diferentes escenarios; y en el Capítulo 4 se presentan las conclusiones obtenidas en el desarrollo de los algoritmos de ML para posicionamiento en interiores y los trabajos futuros relacionados con el trabajo de grado.
