<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet type="text/xsl" href="static/style.xsl"?><OAI-PMH xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/ http://www.openarchives.org/OAI/2.0/OAI-PMH.xsd"><responseDate>2026-06-29T07:47:25Z</responseDate><request verb="GetRecord" identifier="oai:docta.ucm.es:20.500.14352/9093" metadataPrefix="oai_dc">https://docta.ucm.es/rest/oai/request</request><GetRecord><record><header><identifier>oai:docta.ucm.es:20.500.14352/9093</identifier><datestamp>2023-09-07T09:30:48Z</datestamp><setSpec>com_20.500.14352_14</setSpec><setSpec>col_20.500.14352_23</setSpec></header><metadata><oai_dc:dc xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns:doc="http://www.lyncode.com/xoai" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
   <dc:title>Construcción de una herramienta de predicción para la popularidad de las canciones de Spotify</dc:title>
   <dc:creator>Nieto García, Cristina</dc:creator>
   <dc:contributor>Calviño Martínez, Aída</dc:contributor>
   <dc:subject>519.22-7</dc:subject>
   <dc:subject>519.216</dc:subject>
   <dc:subject>004.738.5</dc:subject>
   <dc:subject>784.3/.4</dc:subject>
   <dc:subject>herramienta de predicción</dc:subject>
   <dc:subject>Spotify</dc:subject>
   <dc:subject>Estadística</dc:subject>
   <dc:subject>Análisis Multivariante</dc:subject>
   <dc:subject>Industria discográfica</dc:subject>
   <dc:subject>1209 Estadística</dc:subject>
   <dc:subject>1209.09 Análisis Multivariante</dc:subject>
   <dc:description>El objetivo de este trabajo es crear un modelo de predicción de la popularidad que tienen las canciones en Spotify , ya que con ello se puede visualizar la repercusión que puede llegar a tener una canción en los oyentes teniendo en cuenta características de la propia canción, del artista, etc. Para ello, se van a utilizar distintos métodos de Machine Learning, en concreto, redes Neuronales, regresión Lineal y distintos métodos basados en árboles para su posterior ensamblado.</dc:description>
   <dc:description>Fac. de Estudios Estadísticos</dc:description>
   <dc:description>TRUE</dc:description>
   <dc:description>pub</dc:description>
   <dc:date>2023-06-17T10:16:36Z</dc:date>
   <dc:date>2023-06-17T10:16:36Z</dc:date>
   <dc:date>2020-09</dc:date>
   <dc:date>2020</dc:date>
   <dc:type>master thesis</dc:type>
   <dc:identifier>https://hdl.handle.net/20.500.14352/9093</dc:identifier>
   <dc:identifier>XXXX-XXXX</dc:identifier>
   <dc:language>spa</dc:language>
   <dc:rights>open access</dc:rights>
   <dc:format>application/pdf</dc:format>
   <dc:publisher>Facultad de Estudios Estadísticos</dc:publisher>
</oai_dc:dc></metadata></record></GetRecord></OAI-PMH>