Detalles MARC
| 000 -CABECERA |
|---|
| Campo de control de longitud fija |
03572nam a22003257a 4500 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
|---|
| Campo de control |
EC-UrYT |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| Campo de control |
20221206000931.0 |
| 008 - CÓDIGOS DE INFORMACIÓN DE LONGITUD FIJA |
|---|
| Campo de control de longitud fija |
150116t9999 mx r gr 000 0 spa d |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Centro transcriptor |
EC-UrYT |
| 041 ## - CÓDIGO DE LENGUA |
|---|
| Código de lengua del texto/banda sonora o título independiente |
eng |
| Código de lengua del sumario o resumen |
spa |
| 100 1# - PUNTO DE ACCESO PRINCIPAL - NOMBRE DE PERSONA |
|---|
| 9 (RLIN) |
12946 |
| Nombre de persona |
Vega Arellano, Oscar Andrés |
| Término indicativo de función |
autor |
| 245 1# - MENCIÓN DE TÍTULO |
|---|
| Título |
Forecasting time series by using deep neural networks / |
| Mención de responsabilidad etc. |
Oscar Andrés Vega Arellano ; tutor Oscar Guillermo Chang Tortolero |
| 264 #4 - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT |
|---|
| Lugar de producción |
Urcuquí, |
| Fecha de producción |
2021 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
73 hojas : |
| Otras características físicas |
ilustraciones (algunas a color) ; |
| Dimensiones |
30 cm + |
| Material anejo |
1 CD-ROM |
| 502 ## - NOTA DE TESIS |
|---|
| Nota de tesis |
Trabajo de integración curricular |
| Tipo de título |
(Ingeniero/a en Tecnologías de la Información). |
| Nombre de la institución que otorga el título |
Universidad de Investigación de Tecnología Experimental Yachay. |
| Ciudad de la institución que otorga el título |
Urcuquí, |
| Año de obtención del título |
2021 |
| 504 ## - NOTA DE BIBLIOGRAFÍA; ETC. |
|---|
| Nota de bibliografía etc. |
Incluye referencias bibliográficas (páginas 47-50) |
| 506 ## - NOTA DE RESTRICCIONES AL ACCESO |
|---|
| Limitaciones de acceso |
Trabajo de integración curricular con acceso abierto |
| 516 ## - NOTA DE TIPO DE ARCHIVO DE ORDENADOR O DE DATOS |
|---|
| Nota de tipo de archivo de ordenador o de datos |
Texto (Hypertexto links) |
| 520 ## - NOTA DE SUMARIO; ETC. |
|---|
| Sumario etc. |
El análisis de predicciones y series de tiempo juegan un papel importante en muchas aplicaciones como redes complejas, predicción de la demanda, financieras, respuesta de pacientes a medicamentos recetados, etc. En general, los datos de series de tiempo se comportan como un proceso altamente no lineal a causa de su naturaleza estocástica; por ejemplo, predecir los datos de índices de exportaciones es muy desafiante ya que estos datos son registrados diariamente, semanalmente o incluso mensualmente. Recientemente varias técnicas de predicci\'on mejoradas basadas en Inteligencia Artificial y Redes Neuronales Profundas han aparecido demostrando una excelente precisión. Este trabajo explora la combinación de varias técnicas de Redes Neuronales Profundas (DNN en inglés) como Perceptrón Multicapa (MLP en inglés), Memoria de Largo Plazo (LSTM en inglés) and Redes Neuronales Convolucionales (CNN en inglés) para la predicción de series de tiempo con el uso de la técnica de ventana deslizante. El conjunto de datos utilizado pertenece a las exportaciones de banano ecuatoriano, el cual está almacenado en la base de datos del Banco Central del Ecuador, y contiene el registro mensual de las exportaciones de banano hechas durante un periodo de 20 años. Los experimentos fueron llevados a cabo en Python 3 con Tensorflow & Keras, los cuales nos permiten combinar la capacidad de inferencia de estas redes. Finalmente, los resultados son analizados al comparar el número de parámetros por entrenar, tamaño de ventana deslizante y valores de la raíz del error cuadrático medio (RMSE en inglés) entre seis modelos: tres modelos sequenciales como MLP, LSTM y CNN, y tres modelos no secuenciales que combinan MLP, LSTM y CNN en una estructura paralela. Los principales resultados de esta investigación muestran que al combinar dos DNN en una estructura paralela la complejidad computacional disminuye y la capacidad de inferencia e predicción en la tarea de predicción de series de tiempo mejora. |
| 546 ## - NOTA DE LENGUA |
|---|
| Nota de lengua |
Textos en inglés con resúmenes en español e inglés |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12947 |
| Término de materia o nombre geográfico como elemento inicial |
Perceptron multicapa |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12948 |
| Término de materia o nombre geográfico como elemento inicial |
Memoria de largo plazo |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
12949 |
| Término de materia o nombre geográfico como elemento inicial |
Long Short-Term Memory |
| 650 #0 - PUNTO DE ACCESO ADICIONAL DE MATERIA - TÉRMINO DE MATERIA |
|---|
| 9 (RLIN) |
3891 |
| Término de materia o nombre geográfico como elemento inicial |
Tecnologías de la Información |
| Subdivisión de forma |
Trabajos y disertaciones académicas |
| 700 ## - PUNTO DE ACCESO ADICIONAL - NOMBRE DE PERSONA |
|---|
| 9 (RLIN) |
11243 |
| Nombre de persona |
Chang Tortolero, Oscar Guillermo |
| Término indicativo de función |
tutor |
| 710 1# - PUNTO DE ACCESO ADICIONAL - NOMBRE DE ENTIDAD |
|---|
| Nombre de entidad o nombre de jurisdicción como elemento inicial |
Universidad de Investigación de Tecnología Experimental Yachay. |
| Unidad subordinada |
Escuela de Ciencias Matemáticas y Computacionales |
| 9 (RLIN) |
11232 |
| 856 ## - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS |
|---|
| Nota pública |
Ver recurso |
| Identificador Uniforme del Recurso (URI) |
http://repositorio.yachaytech.edu.ec/handle/123456789/430 |
| 942 ## - ENTRADA PARA ELEMENTOS AGREGADOS (KOHA) |
|---|
| Fuente de clasificación o esquema de ordenación en estanterías |
Clasificación Decimal Dewey |
| Koha [por defecto] tipo de item |
Tesis |
