Registro completo de metadatos
| Campo DC | Valor | Lengua/Idioma |
|---|---|---|
| dc.provenance | Universidad Nacional de Rosario.RepHipUNR | - |
| dc.contributor | Uzal, Lucas; Granitto, Pablo M. | - |
| dc.creator | Maino, Daniel Gerardo | - |
| dc.date | 2013-11-05 | - |
| dc.date | 2013-11-05 | - |
| dc.date.accessioned | 2019-07-15T18:43:48Z | - |
| dc.date.available | 2019-07-15T18:43:48Z | - |
| dc.date.issued | 2013-11-05 | - |
| dc.date.issued | 2013-11-05 | - |
| dc.identifier | http://www.fceia.unr.edu.ar/lcc/t523/ | - |
| dc.identifier | http://hdl.handle.net/2133/3234 | - |
| dc.identifier | http://hdl.handle.net/2133/3234 | - |
| dc.identifier.uri | http://rodna.bn.gov.ar/jspui/handle/bnmm/568226 | - |
| dc.description | Existe una diversidad de series temporales que son objeto de estudio en múltiples disciplinas, por ejemplo en la meteorología, la geofísica, la biología, la medicina y la sociología. En esta Tesina se aborda el problema de predicción de series temporales caracterizadas por su naturaleza determinística no-lineal. Se presenta una técnica basada en redes neuronales profundas para la predicción de sistemas dinámicos a partir de una serie temporal. Se sabe que las arquitecturas profundas pueden ser mucho más eficientes a la hora de representar ciertas funciones. Por otro lado, recientemente se han publicado trabajos en los que se encuentra evidencia del beneficio en construir un modelo con salida-múltiple, de manera que este aprenda y preserve las dependencias entre los valores de la predicción. Se evalúa el rendimiento de arquitecturas profundas frente a las redes neuronales convencionales y a su vez el uso de salida-múltiple frente a las redes de salida-simple, en un modelo de predicción para múltiples horizontes. Los resultados muestran un mejor desempeño de las arquitecturas profundas sobre las series temporales consideradas. | - |
| dc.description | Fil: Maino, Daniel Gerardo. Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario; Argentina | - |
| dc.format | application/pdf | - |
| dc.language | spa | - |
| dc.publisher | Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario | - |
| dc.rights | info:eu-repo/semantics/openAccess | - |
| dc.source | reponame:RepHipUNR (UNR) | - |
| dc.source | instname:Universidad Nacional de Rosario | - |
| dc.source | instacron:UNR | - |
| dc.source.uri | http://hdl.handle.net/2133/3234 | - |
| dc.subject | Aprendizaje Automatizado | - |
| dc.subject | Redes Neuronales Profundas | - |
| dc.subject | Predicción | - |
| dc.subject | Series Temporales | - |
| dc.subject | Sistemas Dinámicos | - |
| dc.title | Predicción de Sistemas Dinámicos con Redes Neuronales Profundas | - |
| dc.type | info:eu-repo/semantics/bachelorThesis | - |
| dc.type | info:ar-repo/semantics/tesisDeGrado | - |
| dc.type | info:eu-repo/semantics/publishedVersion | - |
| dc.type | tesis de grado | - |
| Aparece en las colecciones: | Universidad Nacional de Rosario. RepHipUNR | |
Ficheros en este ítem:
No hay ficheros asociados a este ítem.