VisaPredict AIVisaPredictAI
esen
← VisaPredict AIRecursos

Descargas reales del proyecto, glosario operativo y referencias IEEE del documento académico.

Descargas

Artefactos reales del proyecto

Reportes, datos y repositorios del proyecto, tal como los publica el pipeline. Los reportes y el panel se regeneran con cada boletín nuevo del Visa Bulletin.

Glosario

Vocabulario operativo

Cuarenta y dos términos del dominio migratorio y del aprendizaje estadístico utilizados a lo largo del anteproyecto. Use el buscador para filtrar por término o por palabra clave dentro de la definición.

ACFAutocorrelation Function
Función que cuantifica la correlación entre observaciones separadas por distintos rezagos temporales; herramienta central en la identificación de modelos ARIMA.
AdamAdaptive Moment Estimation
Algoritmo de optimización de gradiente estocástico que combina momento y tasas de aprendizaje adaptativas por parámetro; estándar de facto en entrenamiento de redes profundas.
AICAkaike Information Criterion
Criterio de selección de modelos que balancea ajuste y parsimonia: AIC = 2k − 2 ln(L).
ARIMAAutoregressive Integrated Moving Average
Familia de modelos estadísticos de series de tiempo que combina componentes autorregresivos, de diferenciación y de media móvil para capturar dinámicas lineales.
ARIMAX
Extensión de ARIMA que incorpora variables exógenas regresoras además de la dinámica endógena de la serie objetivo.
Backlog (neto)
En el contexto migratorio, volumen acumulado de solicitudes pendientes de procesamiento que excede la capacidad operativa del sistema, medido restando las solicitudes resueltas de las recibidas en un período.
País de cargabilidad (chargeability area)
Categoría administrativa bajo la cual el Departamento de Estado contabiliza una solicitud para fines del límite estatutario del 7 %. Por defecto coincide con el país de nacimiento del solicitante principal, no con su nacionalidad ni con su país de residencia. Las áreas de cargabilidad reportadas en el Visa Bulletin incluyen países individuales (México, India, China, Filipinas, etc.) y la categoría agregada All Chargeability Areas Except Those Listed, que NO es un país sino una agrupación residual.
All Chargeability Areas Except Those Listed
Categoría agregada del Visa Bulletin que reúne a todos los países de cargabilidad no listados explícitamente. Es una agrupación administrativa, no una entidad geográfica única; incluye decenas de países de baja a media demanda. Su composición varía a lo largo del tiempo conforme países entran y salen del estado de “límite efectivo” por superación de cuota, lo cual constituye una forma de no-estacionariedad de composición. Por esta razón, esta serie se reportará en la cobertura piloto pero será analizada con cautela explícita: cualquier inferencia sobre tendencia se acompañará de la advertencia sobre cambio de composición.
Nacionalidad vs. país de cargabilidad
Términos no equivalentes en derecho migratorio estadounidense. La cargabilidad sigue, por defecto, al país de nacimiento (INA Sección 202); la nacionalidad del solicitante puede o no coincidir con su país de cargabilidad. Para evitar ambigüedad, el presente documento utiliza consistentemente país o área de cargabilidad cuando se refiere a la dimensión p del Visa Bulletin.
Batch Normalization
Técnica de regularización que estandariza las activaciones de una capa al interior de cada minibatch para estabilizar y acelerar el entrenamiento.
BiLSTMBidirectional Long Short-Term Memory
Variante de LSTM que procesa la secuencia simultáneamente en dirección cronológica y anticronológica, permitiendo que cada estado oculto incorpore contexto pasado y futuro.
DeepAR
Arquitectura probabilística basada en LSTM autorregresiva, diseñada para producir pronósticos de series de tiempo con distribuciones predictivas en lugar de puntos.
Dates for Filing
Calendario publicado mensualmente por el Departamento de Estado que autoriza el inicio anticipado del trámite de ajuste de estatus, generalmente con fechas más recientes que las Final Action Dates.
Diebold-Mariano (prueba)
Prueba estadística formal de comparación de precisión predictiva entre dos modelos sobre una misma serie, bajo hipótesis nula de igualdad de errores esperados.
Dropout
Técnica de regularización que desactiva aleatoriamente una fracción de neuronas durante el entrenamiento, forzando redundancia representacional y reduciendo el sobreajuste.
EB-1 a EB-5
Categorías de preferencia laboral para residencia permanente en EE. UU., desde trabajadores prioritarios con habilidades extraordinarias (EB-1) hasta inversionistas (EB-5).
Early Stopping
Estrategia de regularización implícita que interrumpe el entrenamiento cuando el error sobre el conjunto de validación deja de mejorar durante un número predefinido de épocas.
F1, F2A, F2B, F3, F4
Categorías de preferencia familiar definidas por la INA: hijos adultos solteros de ciudadanos (F1), cónyuges e hijos menores de residentes (F2A), hijos adultos solteros de residentes (F2B), hijos casados de ciudadanos (F3) y hermanos de ciudadanos (F4).
Final Action Dates
Fecha de prioridad publicada mensualmente en el Visa Bulletin que determina qué solicitantes pueden recibir la adjudicación final de su residencia permanente en ese mes fiscal.
Gradient Boosting
Familia de métodos de ensamble que construye secuencialmente modelos débiles, cada uno enfocado en corregir los errores residuales del ensamble previo; XGBoost es su implementación más difundida.
INAImmigration and Nationality Act
Ley federal estadounidense de 1965 que estableció el sistema actual de cuotas por categoría y país para la residencia permanente.
LSTMLong Short-Term Memory
Arquitectura de red neuronal recurrente diseñada por Hochreiter y Schmidhuber en 1997 que incorpora celdas de memoria y compuertas para capturar dependencias temporales de largo plazo y mitigar el desvanecimiento del gradiente.
MAEMean Absolute Error
Error absoluto medio: promedio de los valores absolutos de los errores de predicción.
MAPEMean Absolute Percentage Error
Error porcentual absoluto medio; sensible a valores cercanos a cero y asimétrico entre sobre y subestimaciones.
MASEMean Absolute Scaled Error
Error absoluto escalado medio propuesto por Hyndman y Koehler; métrica universal que normaliza el error por el error del naïve estacional.
Monte Carlo Dropout
Técnica de cuantificación de incertidumbre que aplica dropout también en inferencia, interpretando las predicciones resultantes como muestras de una distribución predictiva aproximada.
N-BEATSNeural Basis Expansion Analysis for Time Series
Arquitectura profunda puramente basada en bloques residuales que ofrece pronósticos interpretables sin recurrir a mecanismos recurrentes.
PACFPartial Autocorrelation Function
Función que mide la correlación entre la observación actual y observaciones rezagadas eliminando la influencia lineal de los rezagos intermedios.
PatchTST
Arquitectura transformer reciente para pronóstico de series largas que segmenta la serie en patches temporales tratados como tokens, logrando un rendimiento competitivo con un costo computacional reducido.
Predicción conformeConformal Prediction
Marco no paramétrico introducido por Vovk, Gammerman y Shafer que produce intervalos de predicción con garantías de cobertura válidas bajo el supuesto mínimo de intercambiabilidad de los datos.
Priority Date
Fecha de prioridadFecha oficial de registro de una petición migratoria, asignada al recibirse por USCIS o por el Departamento del Trabajo; funciona como turno en la cola de procesamiento.
Prophet
Biblioteca de pronóstico desarrollada por Meta AI que modela series de tiempo como suma de componentes de tendencia, estacionalidad y efectos de festividades, robusta ante observaciones faltantes y valores atípicos.
Per-country limit
Límite legal del 7 % de las visas de preferencia anuales disponibles para nacionales de un mismo país, origen principal de la severa retrogresión observada en países de alta demanda como México, India, China y Filipinas.
ReLURectified Linear Unit
Función de activación no lineal f(x) = max(0, x); de uso dominante en redes profundas modernas por su simplicidad computacional y su mitigación del desvanecimiento del gradiente.
Retrogresión
Fenómeno del sistema migratorio estadounidense en el que las fechas de prioridad del Visa Bulletin retroceden en lugar de avanzar, reflejando un agotamiento anticipado de cuotas o reajustes internos en la asignación de visas.
RMSERoot Mean Squared Error
Raíz del error cuadrático medio; métrica sensible a errores grandes por su penalización cuadrática.
SARIMA
Extensión estacional de ARIMA que incorpora componentes autorregresivos, de diferenciación y de media móvil a nivel estacional con período s.
sMAPESymmetric Mean Absolute Percentage Error
Variante simétrica del MAPE que utiliza el promedio de los valores absolutos observados y predichos en el denominador.
TFTTemporal Fusion Transformer
Arquitectura híbrida transformer-recurrente para pronóstico multi-horizonte con entradas heterogéneas (pasado, covariables conocidas, variables estáticas).
Visa Bulletin
Boletín mensual publicado por la Oficina de Asuntos Consulares del Departamento de Estado de EE. UU. que actualiza las fechas de prioridad para cada categoría migratoria y país.
Walk-forward Validation
Estrategia de validación para series de tiempo en la que el conjunto de entrenamiento se expande progresivamente hacia el futuro, respetando la causalidad temporal.
XGBoosteXtreme Gradient Boosting
Implementación escalable y regularizada de gradient boosting sobre árboles de decisión; referente de alto rendimiento en competiciones de aprendizaje automático.
Bibliografía

Referencias IEEE

Sesenta y cuatro referencias IEEE en orden monotónico estricto de primera aparición. Filtre por bloque temático para navegar las fuentes del problema migratorio, los modelos lineales y profundos, los híbridos y arquitecturas modernas, las métricas y validación temporal, los recursos aplicados o la metodología CRISP-DM.

  1. [1]U.S. Citizenship and Immigration Services, “The Colorful History of the Green Card,” USCIS Stories from the Archives, ene. 2023. [En línea]. Disponible en: https://www.uscis.gov/about-us/our-history/stories-from-the-archives/the-colorful-history-of-the-green-card
  2. [2]CitizenPath, “History of the Green Card,” CitizenPath, nov. 2023. [En línea]. Disponible en: https://citizenpath.com/history-green-card/
  3. [3]A. Bao, “Trump says U.S. to `permanently pause migration from all Third World Countries' after DC shooting,” CNBC, nov. 2025. [En línea]. Disponible en: https://www.cnbc.com/2025/11/28/trump-us-to-permanently-pause-migration-from-all-third-world-countries.html
  4. [4]U.S. Citizenship and Immigration Services, “Quarterly All Forms, Net Backlog and Frontlog, Fiscal Year 2025, Quarter 3,” USCIS Immigration and Citizenship Data, 2025. [En línea]. Disponible en: https://www.uscis.gov/tools/reports-and-studies/immigration-and-citizenship-data
  5. [5]Boundless Immigration, “USCIS Backlogs Hit Record High as EB-1A Growth Slows: Q2 FY2025 Data Analysis,” sep. 2025. [En línea]. Disponible en: https://www.boundless.com/blog/uscis-q2-fy2025-data
  6. [6]FWD.us, “Family-Based Immigration Backlogs: 5 Things to Know,” FWD.us Policy Report, 2022. [En línea]. Disponible en: https://www.fwd.us/news/family-based-immigration-backlogs/
  7. [7]U.S. Department of State, Bureau of Consular Affairs, “Visa Bulletin for May 2026,” Washington, DC, EE. UU., may. 2026. [En línea]. Disponible en: https://travel.state.gov/content/travel/en/legal/visa-law0/visa-bulletin/2026/visa-bulletin-for-may-2026.html
  8. [8]E. Fabio, “Time series analysis on U.S. immigration data,” tesis de maestría, Dept. of Mathematics and Statistics, San Diego State University, San Diego, CA, EE. UU., 2022. [En línea]. Disponible en: https://digitalcollections.sdsu.edu/do/d37e5cc6-0741-4312-b779-167574c09d57
  9. [9]T. Pu, C. Huang, J. Yang y M. Huang, “Transcending Time and Space: Survey Methods, Uncertainty, and Development in Human Migration Prediction,” Sustainability, vol. 15, no. 13, art. 10584, jul. 2023, doi: 10.3390/su151310584.
  10. [10]U.S. Congress, “Immigration and Nationality Act of 1965 (Hart-Celler Act),” Pub. L. 89-236, 79 Stat. 911, oct. 1965. [En línea]. Disponible en: https://www.govinfo.gov/content/pkg/STATUTE-79/pdf/STATUTE-79-Pg911.pdf
  11. [11]S. Vegesana, “Predictive analytics for classification of immigration visa applications: a discriminative machine learning approach,” reporte de maestría, Dept. of Computer Science, Kansas State University, Manhattan, KS, EE. UU., 2018. [En línea]. Disponible en: https://krex.k-state.edu/items/895cd8b1-8b57-4ffa-9570-4427e97ed4a1
  12. [12]S. Jain, S. Agrawal, E. Mohapatra y K. Srinivasan, “A novel ensemble ARIMA-LSTM approach for evaluating COVID-19 cases and future outbreak preparedness,” Health Care Science, vol. 3, no. 6, pp. 409–425, dic. 2024, doi: 10.1002/hcs2.123.
  13. [13]M. Carammia, S. M. Iacus y T. Wilkin, “Forecasting asylum-related migration flows with machine learning and data at scale,” Scientific Reports, vol. 12, no. 1, art. 1457, ene. 2022, doi: 10.1038/s41598-022-05241-8.
  14. [14]U.S. Department of State, Bureau of Consular Affairs, “Immigrant Visa Statistics: Mexico Family Preference Final Action Dates from FY1992–2023,” 2024. [En línea]. Disponible en: https://travel.state.gov/content/travel/en/legal/visa-law0/visa-statistics/immigrant-visa-statistics.html
  15. [15]M. Jordan, “Immigrants Are Becoming U.S. Citizens at Fastest Clip in Years,” The New York Times, ago. 2024. [En línea]. Disponible en: https://www.nytimes.com/2024/08/12/us/immigration-us-citizenship-rates.html
  16. [16]R. J. Hyndman y A. B. Koehler, “Another look at measures of forecast accuracy,” Int. J. Forecasting, vol. 22, no. 4, pp. 679–688, 2006, doi: 10.1016/j.ijforecast.2006.03.001.
  17. [17]C. Bergmeir y J. M. Benítez, “On the use of cross-validation for time series predictor evaluation,” Information Sciences, vol. 191, pp. 192–213, may. 2012, doi: 10.1016/j.ins.2011.12.028.
  18. [18]F. X. Diebold y R. S. Mariano, “Comparing predictive accuracy,” Journal of Business & Economic Statistics, vol. 13, no. 3, pp. 253–263, 1995, doi: 10.1080/07350015.1995.10524599.
  19. [19]G. P. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” Neurocomputing, vol. 50, pp. 159–175, 2003, doi: 10.1016/S0925-2312(01)00702-0.
  20. [20]C. B. A. Satrio, W. Darmawan, B. U. Nadia y N. Hanafiah, “Forecasting Indonesia exports using a hybrid model ARIMA-LSTM,” Procedia Computer Science, vol. 179, pp. 480–487, 2021, doi: 10.1016/j.procs.2021.01.031.
  21. [21]M. S. A. Mahmud y N. M. Noor, “Hybrid ARIMA-LSTM for COVID-19 forecasting: A comparative AI modeling study,” PeerJ Computer Science, vol. 11, art. e3195, 2025, doi: 10.7717/peerj-cs.3195.
  22. [22]D. Salinas, V. Flunkert, J. Gasthaus y T. Januschowski, “DeepAR: Probabilistic forecasting with autoregressive recurrent networks,” Int. J. Forecasting, vol. 36, no. 3, pp. 1181–1191, 2020, doi: 10.1016/j.ijforecast.2019.07.001.
  23. [23]S. Makridakis, E. Spiliotis y V. Assimakopoulos, “Statistical and machine learning forecasting methods: Concerns and ways forward,” PLoS ONE, vol. 13, no. 3, art. e0194889, 2018, doi: 10.1371/journal.pone.0194889.
  24. [24]G. E. P. Box y G. M. Jenkins, Time Series Analysis: Forecasting and Control, rev. ed. San Francisco, CA, EE. UU.: Holden-Day, 1976.
  25. [25]J. D. Hamilton, Time Series Analysis. Princeton, NJ, EE. UU.: Princeton Univ. Press, 1994.
  26. [26]R. J. Hyndman y G. Athanasopoulos, Forecasting: Principles and Practice, 3.ª ed. Melbourne, Australia: OTexts, 2021. [En línea]. Disponible en: https://otexts.com/fpp3/
  27. [27]D. A. Dickey y W. A. Fuller, “Distribution of the estimators for autoregressive time series with a unit root,” J. Amer. Statist. Assoc., vol. 74, no. 366a, pp. 427–431, 1979, doi: 10.1080/01621459.1979.10482531.
  28. [28]D. Kwiatkowski, P. C. B. Phillips, P. Schmidt y Y. Shin, “Testing the null hypothesis of stationarity against the alternative of a unit root,” J. Econometrics, vol. 54, no. 1–3, pp. 159–178, 1992, doi: 10.1016/0304-4076(92)90104-Y.
  29. [29]G. E. P. Box, G. M. Jenkins, G. C. Reinsel y G. M. Ljung, Time Series Analysis: Forecasting and Control, 5.ª ed. Hoboken, NJ, EE. UU.: John Wiley & Sons, 2015.
  30. [30]H. Akaike, “A new look at the statistical model identification,” IEEE Trans. Autom. Control, vol. 19, no. 6, pp. 716–723, dic. 1974, doi: 10.1109/TAC.1974.1100705.
  31. [31]G. Schwarz, “Estimating the dimension of a model,” Ann. Statist., vol. 6, no. 2, pp. 461–464, mar. 1978, doi: 10.1214/aos/1176344136.
  32. [32]S. J. Taylor y B. Letham, “Forecasting at scale,” The American Statistician, vol. 72, no. 1, pp. 37–45, 2018, doi: 10.1080/00031305.2017.1380080.
  33. [33]V. I. Kontopoulou, A. D. Panagopoulos, I. Kakkos y G. K. Matsopoulos, “A review of ARIMA vs. machine learning approaches for time series forecasting in data driven networks,” Future Internet, vol. 15, no. 8, art. 255, jul. 2023, doi: 10.3390/fi15080255.
  34. [34]I. Goodfellow, Y. Bengio y A. Courville, Deep Learning. Cambridge, MA, EE. UU.: MIT Press, 2016. [En línea]. Disponible en: http://www.deeplearningbook.org
  35. [35]Y. LeCun, Y. Bengio y G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, may. 2015, doi: 10.1038/nature14539.
  36. [36]D. E. Rumelhart, G. E. Hinton y R. J. Williams, “Learning representations by back-propagating errors,” Nature, vol. 323, no. 6088, pp. 533–536, 1986, doi: 10.1038/323533a0.
  37. [37]Y. Bengio, P. Simard y P. Frasconi, “Learning long-term dependencies with gradient descent is difficult,” IEEE Trans. Neural Netw., vol. 5, no. 2, pp. 157–166, mar. 1994, doi: 10.1109/72.279181.
  38. [38]D. P. Kingma y J. Ba, “Adam: A method for stochastic optimization,” en Proc. 3rd Int. Conf. Learning Representations (ICLR), San Diego, CA, EE. UU., may. 2015.
  39. [39]N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever y R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting,” Journal of Machine Learning Research, vol. 15, no. 56, pp. 1929–1958, 2014.
  40. [40]Y. Gal y Z. Ghahramani, “A theoretically grounded application of dropout in recurrent neural networks,” en Advances in Neural Information Processing Systems 29 (NIPS 2016), 2016.
  41. [41]S. Ioffe y C. Szegedy, “Batch normalization: Accelerating deep network training by reducing internal covariate shift,” en Proc. 32nd Int. Conf. Machine Learning (ICML), Lille, Francia, jul. 2015, pp. 448–456.
  42. [42]J. L. Elman, “Finding structure in time,” Cognitive Science, vol. 14, no. 2, pp. 179–211, 1990, doi: 10.1207/s15516709cog1402_1.
  43. [43]S. Hochreiter y J. Schmidhuber, “Long short-term memory,” Neural Computation, vol. 9, no. 8, pp. 1735–1780, nov. 1997, doi: 10.1162/neco.1997.9.8.1735.
  44. [44]M. Schuster y K. K. Paliwal, “Bidirectional recurrent neural networks,” IEEE Trans. Signal Process., vol. 45, no. 11, pp. 2673–2681, nov. 1997, doi: 10.1109/78.650093.
  45. [45]A. Graves y J. Schmidhuber, “Framewise phoneme classification with bidirectional LSTM and other neural network architectures,” Neural Netw., vol. 18, no. 5–6, pp. 602–610, 2005, doi: 10.1016/j.neunet.2005.06.042.
  46. [46]B. Lindemann, T. Müller, H. Vietz, N. Jazdi y M. Weyrich, “A survey on long short-term memory networks for time series prediction,” Procedia CIRP, vol. 99, pp. 650–655, 2021, doi: 10.1016/j.procir.2021.03.088.
  47. [47]K. Cho, B. van Merriënboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk y Y. Bengio, “Learning phrase representations using RNN encoder-decoder for statistical machine translation,” en Proc. 2014 Conf. Empirical Methods Natural Language Processing (EMNLP), Doha, Qatar, oct. 2014, pp. 1724–1734, doi: 10.3115/v1/D14-1179.
  48. [48]B. Lim y S. Zohren, “Time-series forecasting with deep learning: A survey,” Phil. Trans. R. Soc. A, vol. 379, no. 2194, art. 20200209, 2021, doi: 10.1098/rsta.2020.0209.
  49. [49]S. Smyl, “A hybrid method of exponential smoothing and recurrent neural networks for time series forecasting,” Int. J. Forecasting, vol. 36, no. 1, pp. 75–85, 2020, doi: 10.1016/j.ijforecast.2019.03.017.
  50. [50]S. Makridakis, E. Spiliotis y V. Assimakopoulos, “The M4 Competition: 100,000 time series and 61 forecasting methods,” Int. J. Forecasting, vol. 36, no. 1, pp. 54–74, 2020, doi: 10.1016/j.ijforecast.2019.04.014.
  51. [51]S. Hamiane, Y. Ghanou, H. Khalifi y M. Telmem, “Comparative analysis of LSTM, ARIMA, and hybrid models for forecasting future GDP,” Ingénierie des Systèmes d'Information, vol. 29, no. 3, pp. 1061–1072, 2024, doi: 10.18280/isi.290306.
  52. [52]A. Agbessi Pierre, A. A. Salami, K. S. Agbosse y B. Birregah, “Peak electrical energy consumption prediction by ARIMA, LSTM, GRU, ARIMA-LSTM and ARIMA-GRU approaches,” Energies, vol. 16, no. 12, art. 4739, 2023, doi: 10.3390/en16124739.
  53. [53]B. N. Oreshkin, D. Carpov, N. Chapados y Y. Bengio, “N-BEATS: Neural basis expansion analysis for interpretable time series forecasting,” en Proc. 8th Int. Conf. Learning Representations (ICLR), abr. 2020.
  54. [54]B. Lim, S. Ö. Arık, N. Loeff y T. Pfister, “Temporal Fusion Transformers for interpretable multi-horizon time series forecasting,” Int. J. Forecasting, vol. 37, no. 4, pp. 1748–1764, 2021, doi: 10.1016/j.ijforecast.2021.03.012.
  55. [55]Y. Nie, N. H. Nguyen, P. Sinthong y J. Kalagnanam, “A time series is worth 64 words: Long-term forecasting with transformers,” en Proc. 11th Int. Conf. Learning Representations (ICLR), may. 2023.
  56. [56]T. Chen y C. Guestrin, “XGBoost: A scalable tree boosting system,” en Proc. 22nd ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining (KDD), San Francisco, CA, EE. UU., ago. 2016, pp. 785–794, doi: 10.1145/2939672.2939785.
  57. [57]K. Hoffmann Pham y M. Luengo-Oroz, “Predictive modelling of movements of refugees and internally displaced people: Towards a computational framework,” J. Ethnic and Migration Studies, vol. 49, no. 2, pp. 408–444, 2023, doi: 10.1080/1369183X.2022.2100546.
  58. [58]L. J. Tashman, “Out-of-sample tests of forecasting accuracy: An analysis and review,” Int. J. Forecasting, vol. 16, no. 4, pp. 437–450, 2000, doi: 10.1016/S0169-2070(00)00065-0.
  59. [59]V. Vovk, A. Gammerman y G. Shafer, Algorithmic Learning in a Random World. Nueva York, NY, EE. UU.: Springer, 2005, doi: 10.1007/b106715.
  60. [60]D. J. Bier, “Immigration wait times from quotas have doubled: Green card backlogs are long, growing, and inequitable,” Cato Institute Policy Analysis No. 873, jun. 2019. [En línea]. Disponible en: https://www.cato.org/publications/policy-analysis/immigration-wait-times-quotas-have-doubled
  61. [61]F. Chollet, Deep Learning with Python, 2.ª ed. Shelter Island, NY, EE. UU.: Manning Publications, 2021.
  62. [62]F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
  63. [63]A. Paszke et al., “PyTorch: An imperative style, high-performance deep learning library,” en Advances in Neural Information Processing Systems 32 (NeurIPS 2019), 2019, pp. 8026–8037.
  64. [64]P. Chapman, J. Clinton, R. Kerber, T. Khabaza, T. Reinartz, C. Shearer, y R. Wirth, CRISP-DM 1.0: Step-by-step Data Mining Guide. Chicago, IL, EE. UU.: SPSS Inc. / The CRISP-DM Consortium, 2000.