Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo
El propósito de este proyecto es la implementación y aplicación de redes neuronales recurrentes profundas con herramientas de software libre y comercial como lo son TensorFlow y Matlab, esto con el objetivo de utilizar los diferentes algoritmos para la predicción y clasificación de series de tiempo,...
- Autores:
-
Gallego Sánchez, Alejandro
Cadena Ortiz, Kevin Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Autónoma de Occidente
- Repositorio:
- RED: Repositorio Educativo Digital UAO
- Idioma:
- spa
- OAI Identifier:
- oai:red.uao.edu.co:10614/12868
- Acceso en línea:
- https://hdl.handle.net/10614/12868
https://red.uao.edu.co/
- Palabra clave:
- Ingeniería Mecatrónica
Series de tiempo
Predicción
Clasificación
Redes neurales (Computadores)
Análisis de series de tiempo
Neural networks (Computer science)
Time-series analysis
- Rights
- openAccess
- License
- Derechos Reservados - Universidad Autónoma de Occidente
| id |
REPOUAO2_f4ba59fa063470ff5aa8c758b6c28e3d |
|---|---|
| oai_identifier_str |
oai:red.uao.edu.co:10614/12868 |
| network_acronym_str |
REPOUAO2 |
| network_name_str |
RED: Repositorio Educativo Digital UAO |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo |
| title |
Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo |
| spellingShingle |
Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo Ingeniería Mecatrónica Series de tiempo Predicción Clasificación Redes neurales (Computadores) Análisis de series de tiempo Neural networks (Computer science) Time-series analysis |
| title_short |
Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo |
| title_full |
Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo |
| title_fullStr |
Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo |
| title_full_unstemmed |
Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo |
| title_sort |
Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo |
| dc.creator.fl_str_mv |
Gallego Sánchez, Alejandro Cadena Ortiz, Kevin Andrés |
| dc.contributor.advisor.none.fl_str_mv |
López Sotelo, Jesús Alfonso |
| dc.contributor.author.spa.fl_str_mv |
Gallego Sánchez, Alejandro Cadena Ortiz, Kevin Andrés |
| dc.subject.spa.fl_str_mv |
Ingeniería Mecatrónica Series de tiempo Predicción Clasificación |
| topic |
Ingeniería Mecatrónica Series de tiempo Predicción Clasificación Redes neurales (Computadores) Análisis de series de tiempo Neural networks (Computer science) Time-series analysis |
| dc.subject.armarc.spa.fl_str_mv |
Redes neurales (Computadores) Análisis de series de tiempo |
| dc.subject.armarc.eng.fl_str_mv |
Neural networks (Computer science) Time-series analysis |
| description |
El propósito de este proyecto es la implementación y aplicación de redes neuronales recurrentes profundas con herramientas de software libre y comercial como lo son TensorFlow y Matlab, esto con el objetivo de utilizar los diferentes algoritmos para la predicción y clasificación de series de tiempo, probando diferentes datasets para poder evidenciar el funcionamiento de estas redes neuronales y su aplicación en problemas reales, con ejemplos tales como la predicción de los números de casos de varicela en una comunidad o la clasificación de las diferentes señales de un electrocardiograma, entre otros posibles aplicativos Para los ejemplos de predicción, mediante las herramientas de software previamente mencionadas, se implementan algoritmos que permiten usar los datos recopilados, creando con ellos diferentes datasets; uno utilizando los datos para poder predecir el número de casos de varicela de una comunidad y un dataset para la predicción del comportamiento de las acciones de la bolsa. Para los ejemplos de clasificación se implementan algoritmos que permiten al software usar los datos recopilados en el dataset que se obtiene con las lecturas de un electrocardiograma, para poder diferenciar una señal con ritmo normal de una señal con fibrilación atrial y un dataset para la clasificación de reviews de películas con información obtenida de iMDB. Adicionalmente a los ejemplos ya mencionados, se realizó un ejemplo predicción, con la información recopilada de los paneles solares de la UAO para realizar el algoritmo de pronóstico del comportamiento de la radiación solar recibida por el panel y para el caso de clasificación se trabajó con la información de actividades físicas humanas para poder realizar el algoritmo que sea capaz de diferenciar las señales y clasificarlas apropiadamente. Las anteriores aplicaciones se realizaron en las plataformas seleccionadas para el proyecto (Matlab y Keras) permitiendo de esta manera una primera aproximación al manejo de la redes LSTM que se espera pueda ser usada en futuros proyectos |
| publishDate |
2021 |
| dc.date.accessioned.spa.fl_str_mv |
2021-02-18T12:51:04Z |
| dc.date.available.spa.fl_str_mv |
2021-02-18T12:51:04Z |
| dc.date.issued.spa.fl_str_mv |
2021-02-09 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_71e4c1898caa6e32 |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/submittedVersion |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
submittedVersion |
| dc.identifier.uri.spa.fl_str_mv |
https://hdl.handle.net/10614/12868 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Autónoma de Occidente (UAO) |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Educativo Digital |
| dc.identifier.repourl.spa.fl_str_mv |
https://red.uao.edu.co/ |
| url |
https://hdl.handle.net/10614/12868 https://red.uao.edu.co/ |
| identifier_str_mv |
Universidad Autónoma de Occidente (UAO) Repositorio Educativo Digital |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Al-Masri A. (2019). How Does Back-Propagation in Artificial Neural Networks Work? Recuperado de: https://towardsdatascience.com/how-does-backpropagation- in-artificial-neural-networks-work-c7cad873ea7 Aneiros, G. (2009). Series de Tiempo - Universidade da Coruña. Recuperado de http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOSPHP/MATERIALESMASTER/Tema1.pdf Bonet Cruz, I., Salazar Martínez, S., Rodríguez Abed, A., Grau Ábalo, R., y García Lorenzo, M. (Diciembre, 2019). Redes neuronales recurrentes para el análisis de secuencias. Revista Cubana De Ciencias Informáticas, pag. 50. Recuperado de: https://www.redalyc.org/pdf/3783/378343634004.pdf Caicedo, J. (2017). Aplicaciones de Redes Neuronales Recurrentes Profundas. Recuperado de https://investigacion.konradlorenz.edu.co/2017/02/aplicaciones-de-redesneuronales-recurrentes-profundas.html Calvo D. (2018) Red Neuronal Recurrente – RNN Recuperado de: http://www.diegocalvo.es/red-neuronal-recurrente/ Calvo. (2017). Clasificación de redes neuronales artificiales. Recuperado de: https://www.diegocalvo.es/clasificacion-de-redes-neuronales-artificiales/ Cornieles, P. (2019). Entendiendo las redes neuronales: De la neurona a RNN, CNN y Deep Learning. Recuperado de: http://ialatam.com/2019/02/06/entendiendo-las-redes-neuronales-de-la-neuronaa-rnn-cnn-y-deep-learning/ Galán. (2020). Análisis de regresión - Definición, qué es y concepto | Economipedia. Recuperado de: https://economipedia.com/definiciones/analisis-deregresion.html García Moreno, C. (2019). ¿Qué es el Deep Learning y para qué sirve?. Recuperado de: https://www.indracompany.com/es/blogneo/deep-learning-sirve García Moreno, C. (2019). ¿Qué es el Deep Learning y para qué sirve?. Recuperado de: https://www.indracompany.com/es/blogneo/deep-learning-sirve García, J. (2019). ¿Cuál es el algoritmo de Backpropagation? Recuperado de: https://es.quora.com/Cu%C3%A1l-es-el-algoritmo-de-backpropagation Garzón, J. (2018). Cómo usar redes neuronales (LSTM) en la predicción de averías en las máquinas. Recuperado de: https://blog.gft.com/es/2018/11/06/como-usar-redes-neuronales-lstm-enla-prediccion-de-averias-en-las-maquinas/ Gestal. (2009). Introducción a las redes neuronales artificiales. Universidade da Coruña Recuperado de: http://sabia.tic.udc.es/mgestal/cv/RNAtutorial/rna.html González Wong, E. (2019). Clasificación de visualizaciones motoras utilizando señales de un Eeg, basado en algoritmos de aprendizaje profundo. Recuperado de: http://repositorio.uach.mx/215/1/TESIS-%20GONZALEZ%20WONG%20EVELYN%20JANETH.PDF González, P. (2008). Navegación mediante evolución de Redes Neuronales Recurrentes y Dinámicas. Recuperado de: http://lsi.vc.ehu.es/pablogn/investig/ficheros/PGN-Tesis.pd IBM® Knowledge Center. (2020). Regresión no lineal. Recuperado de: https://www.ibm.com/support/knowledgecenter/es/SSLVMB_sub/statistics_mainhelp_ddita/spss/regression/idh_nlre.html Ionos España S.L.U. (2020). Keras: biblioteca de código abierto para crear redes neuronales. Recuperado de: https://www.ionos.es/digitalguide/onlinemarketing/marketing-para-motores-de-busqueda/que-es-keras/ Matuk, R. (2017). RNN y LSTM Redes Neuronales Profundas. Recuperado de https://campus.exactas.uba.ar/pluginfile.php/92949/mod_folder/content/0/RNN.pdf?forcedownload=1 Montesdeoca Santana, B. (2016). Estudios de predicción en series temporales de datos meteorológicos utilizando redes neuronales recurrentes. Recuperado de: https://accedacris.ulpgc.es/bitstream/10553/18829/1/0728348_00000_0000.pdf Pérez, I. (2018). Redes neuronales artificiales y sus aplicaciones en beneficio humano. Recuperado de: http://ciencia.unam.mx/leer/773/redesneuronales-artificiales-contribuyen-en-el-desarrollo-de-aplicaciones-enbeneficio-humano Pérez, J. (2002). Modelos predictivos basados en redes neuronales recurrentes de tiempo discreto. Recuperado de: https://rua.ua.es/dspace/bitstream/10045/3826/1/Perez-Ortiz-Juan-Antonio.pdf Rouse, M. (2017)¿Qué es Aprendizaje profundo (deep learning)? - Definición en Whatis.com. Recuperado de: https://searchdatacenter.techtarget.com/es/definicion/Aprendizajeprofundo-deep-learning Rueda Rojas, E. (2018). Predicción de series financieras con redes neuronales recurrentes. Recuperado de: http://noesis.uis.edu.co/bitstream/123456789/20101/1/172656.pdf Ruiz, S. (2015). La predicción del dato: Redes Neuronales Artificiales. Recuperado de: https://www.analiticaweb.es/la-prediccion-del-dato-redes-neuronalesartificiales/ Silva y Patiño. (2019). Análisis de series de tiempo. Recuperado de: https://campusvirtual.univalle.edu.co/moodle/pluginfile.php/1006795/mod_resource/content/1/Exposici%C3%B3n%209%20An%C3%A1lisis%20de%20Series%20de%20Tiempo.pdf Torra, V. (2011). La inteligencia artificial. Recuperado de: http://www.fgcsic.es/lychnos/es_es/articulos/inteligencia_artificial Universidad Autónoma del Estado de México. (2011). Recuperado de: http://www.seduca2.uaemex.mx/ckfinder/uploads/files/u3tema_3_series_de_t.pdf Villada, F., Muñoz, N., y García-Quintero, E. (2016). Redes Neuronales Artificiales aplicadas a la Predicción del Precio del Oro. Recuperado de: https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-07642016000500016 Yepes, V. (2017). ¿Qué es y para qué sirve una red neuronal artificial? De Universidad Politécnica de Valencia Recuperado de: https://victoryepes.blogs.upv.es/2017/01/07/que-es-y-para-que-sirve-unared-neuronal-artificial/ |
| dc.relation.references.eng.fl_str_mv |
Al-Masri A. (2019). How Does Linear Regression Actually Work? Recuperado de: https://towardsdatascience.com/how-does-linear-regression-actuallywork-3297021970dd Anguita, D., Ghio, A., Oneto, L., Parra, X., y Reyes-Ortiz, J. (2013). UCI Machine Learning Repository: Human Activity Recognition Using Smartphones Data Set Recuperado de: https://archive.ics.uci.edu/ml/datasets/Human+Activity+Recognition+Using+Smartphones Brownlee, J. (2017). Stacked Long Short-Term Memory Networks. Recuperado de https://machinelearningmastery.com/stacked-long-short-term-memorynetworks/ Curiousily. (2019). Time Series Classification for Human Activity Recognition with LSTMs in Keras Recuperado de: https://curiousily.com/posts/time-seriesclassification-for-human-activity-recognition-with-lstms-in-keras/ Hermans, M., y Schrauwen, B. (2013). Training and Analyzing Deep Recurrent Neural Networks. Recuperado de: https://papers.nips.cc/paper/5166-training-and-analysing-deep-recurrent-neural-networks.pdf Kostadinov, S. (2017). Understanding GRU Networks. Recuperado de: https://towardsdatascience.com/understanding-gru-networks-2ef37df6c9be Lai, P. (2014). Performance of Stock Market Prediction. Recuperado de: https://asz.hu/storage/files/files/public-finance-quarterlyarticles/2014/a_laip_2014_4_javitott.pdf Lee. (2017). Understanding Bidirectional RNN in PyTorch. Recuperado de: https://towardsdatascience.com/understanding-bidirectional-rnn-inpytorch-5bd25a5dd66 Mahyoub, M. (2019). How does Gradient Descent and Backpropagation work together? De DataSciencie. Recuperado de: https://datascience.stackexchange.com/questions/44703/how-doesgradient-descent-and-backpropagation-work-together Mathworks. (2020). MATLAB Product Description- MATLAB y Simulink. Recuperado de: https://www.mathworks.com/help/matlab/learn_matlab/productdescription. html Ng, Katanforoosh, y Bensouda. (2019). Gated Recurrent Unit (GRU) – Recurrent Neural Networks | Coursera. Recuperado de: https://es.coursera.org/lecture/nlp-sequence-models/gated-recurrent-unitgru-agZiL Shen, Tan, Zhang, Zeng, y Xu. (2018). Deep Learning with Gated Recurrent Unit Networks for Financial Sequence Predictions. Recuperado de: https://www.sciencedirect.com/science/article/pii/S1877050918306781 Sundermeyer, Schluter, y Ney. (2012). LSTM Neural Networks for Language Modeling. Recuperado de: http://www-i6.informatik.rwthaachen.de/publications/download/820/Sundermeyer-2012.pdf Text classification with TensorFlow Hub: Movie reviews. (2020). Recuperado de: https://www.tensorflow.org/tutorials/keras/text_classification_with_hub |
| dc.rights.spa.fl_str_mv |
Derechos Reservados - Universidad Autónoma de Occidente |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| rights_invalid_str_mv |
Derechos Reservados - Universidad Autónoma de Occidente https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
130 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Universidad Autónoma de Occidente. Calle 24 115-85. Km 2 vía Cali - Jamundí |
| dc.publisher.spa.fl_str_mv |
Universidad Autónoma de Occidente |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería Mecatrónica |
| dc.publisher.department.spa.fl_str_mv |
Departamento de Automática y Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.place.spa.fl_str_mv |
Cali |
| institution |
Universidad Autónoma de Occidente |
| bitstream.url.fl_str_mv |
https://red.uao.edu.co/bitstreams/070113b8-f4f1-4b5c-8ee9-f0244fbe5f66/download https://red.uao.edu.co/bitstreams/1ad76c15-eae5-4324-8203-e5eb3aba7d88/download https://red.uao.edu.co/bitstreams/103fcbfd-d098-4d55-9e7e-7965e3921ed3/download https://red.uao.edu.co/bitstreams/56a6f950-b406-41b6-af13-a021c99a8aa5/download https://red.uao.edu.co/bitstreams/1aadd9ad-f774-41d7-bc1e-e29370897f94/download https://red.uao.edu.co/bitstreams/72245067-ac07-401a-9ea2-c21620d741ad/download https://red.uao.edu.co/bitstreams/8aeeffee-a86f-42c8-8b4a-8b3a86a0d408/download |
| bitstream.checksum.fl_str_mv |
20b5ba22b1117f71589c7318baa2c560 1cc3e045868e918efaa018d27fa30cbb 8e1eb0d6c20728477a1991e480b47a43 aece7635f8927851847465444a13b9df e1c06d85ae7b8b032bef47e42e4c08f9 b820eb65a36aa6141f1d86c27cd7723a 0730eccc920e904d970a8be8d37a7173 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Digital Universidad Autonoma de Occidente |
| repository.mail.fl_str_mv |
repositorio@uao.edu.co |
| _version_ |
1814260153886703616 |
| spelling |
López Sotelo, Jesús Alfonsovirtual::2922-1Gallego Sánchez, Alejandro0de6511e9f04ee9492e23f4c5ed2df61Cadena Ortiz, Kevin Andrésb05e9842f83138e976eaa000464a2b6aUniversidad Autónoma de Occidente. Calle 24 115-85. Km 2 vía Cali - Jamundí2021-02-18T12:51:04Z2021-02-18T12:51:04Z2021-02-09https://hdl.handle.net/10614/12868Universidad Autónoma de Occidente (UAO)Repositorio Educativo Digitalhttps://red.uao.edu.co/El propósito de este proyecto es la implementación y aplicación de redes neuronales recurrentes profundas con herramientas de software libre y comercial como lo son TensorFlow y Matlab, esto con el objetivo de utilizar los diferentes algoritmos para la predicción y clasificación de series de tiempo, probando diferentes datasets para poder evidenciar el funcionamiento de estas redes neuronales y su aplicación en problemas reales, con ejemplos tales como la predicción de los números de casos de varicela en una comunidad o la clasificación de las diferentes señales de un electrocardiograma, entre otros posibles aplicativos Para los ejemplos de predicción, mediante las herramientas de software previamente mencionadas, se implementan algoritmos que permiten usar los datos recopilados, creando con ellos diferentes datasets; uno utilizando los datos para poder predecir el número de casos de varicela de una comunidad y un dataset para la predicción del comportamiento de las acciones de la bolsa. Para los ejemplos de clasificación se implementan algoritmos que permiten al software usar los datos recopilados en el dataset que se obtiene con las lecturas de un electrocardiograma, para poder diferenciar una señal con ritmo normal de una señal con fibrilación atrial y un dataset para la clasificación de reviews de películas con información obtenida de iMDB. Adicionalmente a los ejemplos ya mencionados, se realizó un ejemplo predicción, con la información recopilada de los paneles solares de la UAO para realizar el algoritmo de pronóstico del comportamiento de la radiación solar recibida por el panel y para el caso de clasificación se trabajó con la información de actividades físicas humanas para poder realizar el algoritmo que sea capaz de diferenciar las señales y clasificarlas apropiadamente. Las anteriores aplicaciones se realizaron en las plataformas seleccionadas para el proyecto (Matlab y Keras) permitiendo de esta manera una primera aproximación al manejo de la redes LSTM que se espera pueda ser usada en futuros proyectosThe purpose of this project is the implementation and application of deep recurrent neural networks with free and commercial software tools such as TensorFlow and Matlab, this with the aim of using the different algorithms for the prediction and classification of time series, testing different datasets to demonstrate the functioning of these neural networks and their applications in real problems, with examples suchas the prediction of the number of chickenpox cases in a community or the classification of the different signals of an electrocardiogram. among other posible applications. For the prediction examples, using the previously mentioned software tools, algorithms are implemented that allow the software to use the collected data, creating with them different datasets, one using a dataset to predict the number of chickenpox cases in a community and a dataset for the prediction of the behavior of the stock market; For the classification examples, algorithms are implemented that allow the software to use the data collected in the dataset obtained with the readings of an electrocardiogram to be able to differentiate a normal signal from a signal with atrial fibrillation and a dataset for the classification of movie reviews with information obtained from iMBD. In this project, what has been learned in the examples discussed above will be reflected in two different cases in order to leave the process evidenced and implement what has been learned; In the case of prediction, we will work with the information collected from the UAO solar panels to perform the forecast algorithm of the behavior of the solar radiation received by the panel and for the classification case we will work with the information from an activity dataset. human physics to be able to carry out the algorithm that is capable of differentiating the signals and classifying them appropriatelyProyecto de grado (Ingeniero Mecatrónico)-- Universidad Autónoma de Occidente, 2021PregradoIngeniero(a) Mecatrónico(a)130 páginasapplication/pdfspaUniversidad Autónoma de OccidenteIngeniería MecatrónicaDepartamento de Automática y ElectrónicaFacultad de IngenieríaCaliDerechos Reservados - Universidad Autónoma de Occidentehttps://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Ingeniería MecatrónicaSeries de tiempoPredicciónClasificaciónRedes neurales (Computadores)Análisis de series de tiempoNeural networks (Computer science)Time-series analysisAplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempoTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttps://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/submittedVersionhttp://purl.org/coar/version/c_71e4c1898caa6e32Al-Masri A. (2019). How Does Back-Propagation in Artificial Neural Networks Work? Recuperado de: https://towardsdatascience.com/how-does-backpropagation- in-artificial-neural-networks-work-c7cad873ea7Aneiros, G. (2009). Series de Tiempo - Universidade da Coruña. Recuperado de http://eio.usc.es/eipc1/BASE/BASEMASTER/FORMULARIOSPHP/MATERIALESMASTER/Tema1.pdfBonet Cruz, I., Salazar Martínez, S., Rodríguez Abed, A., Grau Ábalo, R., y García Lorenzo, M. (Diciembre, 2019). Redes neuronales recurrentes para el análisis de secuencias. Revista Cubana De Ciencias Informáticas, pag. 50. Recuperado de: https://www.redalyc.org/pdf/3783/378343634004.pdfCaicedo, J. (2017). Aplicaciones de Redes Neuronales Recurrentes Profundas. Recuperado de https://investigacion.konradlorenz.edu.co/2017/02/aplicaciones-de-redesneuronales-recurrentes-profundas.htmlCalvo D. (2018) Red Neuronal Recurrente – RNN Recuperado de: http://www.diegocalvo.es/red-neuronal-recurrente/Calvo. (2017). Clasificación de redes neuronales artificiales. Recuperado de: https://www.diegocalvo.es/clasificacion-de-redes-neuronales-artificiales/Cornieles, P. (2019). Entendiendo las redes neuronales: De la neurona a RNN, CNN y Deep Learning. Recuperado de: http://ialatam.com/2019/02/06/entendiendo-las-redes-neuronales-de-la-neuronaa-rnn-cnn-y-deep-learning/Galán. (2020). Análisis de regresión - Definición, qué es y concepto | Economipedia. Recuperado de: https://economipedia.com/definiciones/analisis-deregresion.htmlGarcía Moreno, C. (2019). ¿Qué es el Deep Learning y para qué sirve?. Recuperado de: https://www.indracompany.com/es/blogneo/deep-learning-sirveGarcía Moreno, C. (2019). ¿Qué es el Deep Learning y para qué sirve?. Recuperado de: https://www.indracompany.com/es/blogneo/deep-learning-sirveGarcía, J. (2019). ¿Cuál es el algoritmo de Backpropagation? Recuperado de: https://es.quora.com/Cu%C3%A1l-es-el-algoritmo-de-backpropagationGarzón, J. (2018). Cómo usar redes neuronales (LSTM) en la predicción de averías en las máquinas. Recuperado de: https://blog.gft.com/es/2018/11/06/como-usar-redes-neuronales-lstm-enla-prediccion-de-averias-en-las-maquinas/Gestal. (2009). Introducción a las redes neuronales artificiales. Universidade da Coruña Recuperado de: http://sabia.tic.udc.es/mgestal/cv/RNAtutorial/rna.htmlGonzález Wong, E. (2019). Clasificación de visualizaciones motoras utilizando señales de un Eeg, basado en algoritmos de aprendizaje profundo. Recuperado de: http://repositorio.uach.mx/215/1/TESIS-%20GONZALEZ%20WONG%20EVELYN%20JANETH.PDFGonzález, P. (2008). Navegación mediante evolución de Redes Neuronales Recurrentes y Dinámicas. Recuperado de: http://lsi.vc.ehu.es/pablogn/investig/ficheros/PGN-Tesis.pdIBM® Knowledge Center. (2020). Regresión no lineal. Recuperado de: https://www.ibm.com/support/knowledgecenter/es/SSLVMB_sub/statistics_mainhelp_ddita/spss/regression/idh_nlre.htmlIonos España S.L.U. (2020). Keras: biblioteca de código abierto para crear redes neuronales. Recuperado de: https://www.ionos.es/digitalguide/onlinemarketing/marketing-para-motores-de-busqueda/que-es-keras/Matuk, R. (2017). RNN y LSTM Redes Neuronales Profundas. Recuperado de https://campus.exactas.uba.ar/pluginfile.php/92949/mod_folder/content/0/RNN.pdf?forcedownload=1Montesdeoca Santana, B. (2016). Estudios de predicción en series temporales de datos meteorológicos utilizando redes neuronales recurrentes. Recuperado de: https://accedacris.ulpgc.es/bitstream/10553/18829/1/0728348_00000_0000.pdfPérez, I. (2018). Redes neuronales artificiales y sus aplicaciones en beneficio humano. Recuperado de: http://ciencia.unam.mx/leer/773/redesneuronales-artificiales-contribuyen-en-el-desarrollo-de-aplicaciones-enbeneficio-humanoPérez, J. (2002). Modelos predictivos basados en redes neuronales recurrentes de tiempo discreto. Recuperado de: https://rua.ua.es/dspace/bitstream/10045/3826/1/Perez-Ortiz-Juan-Antonio.pdfRouse, M. (2017)¿Qué es Aprendizaje profundo (deep learning)? - Definición en Whatis.com. Recuperado de: https://searchdatacenter.techtarget.com/es/definicion/Aprendizajeprofundo-deep-learningRueda Rojas, E. (2018). Predicción de series financieras con redes neuronales recurrentes. Recuperado de: http://noesis.uis.edu.co/bitstream/123456789/20101/1/172656.pdfRuiz, S. (2015). La predicción del dato: Redes Neuronales Artificiales. Recuperado de: https://www.analiticaweb.es/la-prediccion-del-dato-redes-neuronalesartificiales/Silva y Patiño. (2019). Análisis de series de tiempo. Recuperado de: https://campusvirtual.univalle.edu.co/moodle/pluginfile.php/1006795/mod_resource/content/1/Exposici%C3%B3n%209%20An%C3%A1lisis%20de%20Series%20de%20Tiempo.pdfTorra, V. (2011). La inteligencia artificial. Recuperado de: http://www.fgcsic.es/lychnos/es_es/articulos/inteligencia_artificialUniversidad Autónoma del Estado de México. (2011). Recuperado de: http://www.seduca2.uaemex.mx/ckfinder/uploads/files/u3tema_3_series_de_t.pdfVillada, F., Muñoz, N., y García-Quintero, E. (2016). Redes Neuronales Artificiales aplicadas a la Predicción del Precio del Oro. Recuperado de: https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-07642016000500016Yepes, V. (2017). ¿Qué es y para qué sirve una red neuronal artificial? De Universidad Politécnica de Valencia Recuperado de: https://victoryepes.blogs.upv.es/2017/01/07/que-es-y-para-que-sirve-unared-neuronal-artificial/Al-Masri A. (2019). How Does Linear Regression Actually Work? Recuperado de: https://towardsdatascience.com/how-does-linear-regression-actuallywork-3297021970ddAnguita, D., Ghio, A., Oneto, L., Parra, X., y Reyes-Ortiz, J. (2013). UCI Machine Learning Repository: Human Activity Recognition Using Smartphones Data Set Recuperado de: https://archive.ics.uci.edu/ml/datasets/Human+Activity+Recognition+Using+SmartphonesBrownlee, J. (2017). Stacked Long Short-Term Memory Networks. Recuperado de https://machinelearningmastery.com/stacked-long-short-term-memorynetworks/Curiousily. (2019). Time Series Classification for Human Activity Recognition with LSTMs in Keras Recuperado de: https://curiousily.com/posts/time-seriesclassification-for-human-activity-recognition-with-lstms-in-keras/Hermans, M., y Schrauwen, B. (2013). Training and Analyzing Deep Recurrent Neural Networks. Recuperado de: https://papers.nips.cc/paper/5166-training-and-analysing-deep-recurrent-neural-networks.pdfKostadinov, S. (2017). Understanding GRU Networks. Recuperado de: https://towardsdatascience.com/understanding-gru-networks-2ef37df6c9beLai, P. (2014). Performance of Stock Market Prediction. Recuperado de: https://asz.hu/storage/files/files/public-finance-quarterlyarticles/2014/a_laip_2014_4_javitott.pdfLee. (2017). Understanding Bidirectional RNN in PyTorch. Recuperado de: https://towardsdatascience.com/understanding-bidirectional-rnn-inpytorch-5bd25a5dd66Mahyoub, M. (2019). How does Gradient Descent and Backpropagation work together? De DataSciencie. Recuperado de: https://datascience.stackexchange.com/questions/44703/how-doesgradient-descent-and-backpropagation-work-togetherMathworks. (2020). MATLAB Product Description- MATLAB y Simulink. Recuperado de: https://www.mathworks.com/help/matlab/learn_matlab/productdescription. htmlNg, Katanforoosh, y Bensouda. (2019). Gated Recurrent Unit (GRU) – Recurrent Neural Networks | Coursera. Recuperado de: https://es.coursera.org/lecture/nlp-sequence-models/gated-recurrent-unitgru-agZiLShen, Tan, Zhang, Zeng, y Xu. (2018). Deep Learning with Gated Recurrent Unit Networks for Financial Sequence Predictions. Recuperado de: https://www.sciencedirect.com/science/article/pii/S1877050918306781Sundermeyer, Schluter, y Ney. (2012). LSTM Neural Networks for Language Modeling. Recuperado de: http://www-i6.informatik.rwthaachen.de/publications/download/820/Sundermeyer-2012.pdfText classification with TensorFlow Hub: Movie reviews. (2020). Recuperado de: https://www.tensorflow.org/tutorials/keras/text_classification_with_hubPublicationhttps://scholar.google.com.au/citations?user=7PIjh_MAAAAJ&hl=envirtual::2922-10000-0002-9731-8458virtual::2922-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000249106virtual::2922-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::2922-1fc227fb1-22ec-47f0-afe7-521c61fddd32virtual::2922-1LICENSElicense.txtlicense.txttext/plain; charset=utf-81665https://red.uao.edu.co/bitstreams/070113b8-f4f1-4b5c-8ee9-f0244fbe5f66/download20b5ba22b1117f71589c7318baa2c560MD53ORIGINALT09665_Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo.pdfT09665_Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo.pdfTrabajo de grado - Texto completo pdfapplication/pdf2609457https://red.uao.edu.co/bitstreams/1ad76c15-eae5-4324-8203-e5eb3aba7d88/download1cc3e045868e918efaa018d27fa30cbbMD54TA9665_Autorización trabajo de grado.pdfTA9665_Autorización trabajo de grado.pdfAutorización para trabajo de gradoapplication/pdf451823https://red.uao.edu.co/bitstreams/103fcbfd-d098-4d55-9e7e-7965e3921ed3/download8e1eb0d6c20728477a1991e480b47a43MD55TEXTT09665_Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo.pdf.txtT09665_Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo.pdf.txtExtracted texttext/plain118610https://red.uao.edu.co/bitstreams/56a6f950-b406-41b6-af13-a021c99a8aa5/downloadaece7635f8927851847465444a13b9dfMD56TA9665_Autorización trabajo de grado.pdf.txtTA9665_Autorización trabajo de grado.pdf.txtExtracted texttext/plain2https://red.uao.edu.co/bitstreams/1aadd9ad-f774-41d7-bc1e-e29370897f94/downloade1c06d85ae7b8b032bef47e42e4c08f9MD58THUMBNAILT09665_Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo.pdf.jpgT09665_Aplicación de redes neuronales recurrentes profundas para la predicción y clasificación de series de tiempo.pdf.jpgGenerated Thumbnailimage/jpeg6635https://red.uao.edu.co/bitstreams/72245067-ac07-401a-9ea2-c21620d741ad/downloadb820eb65a36aa6141f1d86c27cd7723aMD57TA9665_Autorización trabajo de grado.pdf.jpgTA9665_Autorización trabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg13712https://red.uao.edu.co/bitstreams/8aeeffee-a86f-42c8-8b4a-8b3a86a0d408/download0730eccc920e904d970a8be8d37a7173MD5910614/12868oai:red.uao.edu.co:10614/128682024-03-07 16:43:39.716https://creativecommons.org/licenses/by-nc-nd/4.0/Derechos Reservados - Universidad Autónoma de Occidenteopen.accesshttps://red.uao.edu.coRepositorio Digital Universidad Autonoma de Occidenterepositorio@uao.edu.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 |