1 búsqueda de la palabra clave 'Series'

Series temporales y deep learning / Diego Cendán Bedregal (2022) 

Público ISBD Título : Series temporales y deep learning : NeuralProphet Tipo de documento: documento electrónico Autores: Diego Cendán Bedregal, Autor ; Ricardo Queralt Sánchez de las Matas, Director de tesi Fecha de publicación: 2022 Número de páginas: 50 p. Nota general: Máster Universitario en Ciencia de Datos Idioma : Español (spa) Materias: Inteligencia artificial Redes neuronales Series temporales Palabras clave: Deep  Learning,  Series  temporales,  Modelos  Prophet  y  NeuralProphet,  comparación  predictiva,  Makridakis  forecasting  Competition,  Python. Deep  Time  Series,  and  NeuralProphet  models,  predictive  comparison,  Python. Clasificación: 004.8 Inteligencia artificial. Razonamiento y aprendizaje automatizados. Sistemas inteligentes Resumen: La incorporación del Deep Learning en la predicción de series temporales ha supuesto un gran avance con respecto a los métodos clásicos. En este proyecto se analizan las diferencias y similitudes entre los modelos Prophet y NeuralProphet realizando una comparación predictiva con un amplio conjunto de series temporales. Se lleva a cabo un estudio de los fundamentos teóricos de ambos modelos, así como un análisis bibliográfico de la cuarta edición de la Makridakis forecasting competition. Finalmente se realiza una aplicación práctica en la que se estudia y compara el rendimiento de los modelos en función del origen y periodicidad de las series. Para ello, utilizamos la herramienta de software Python. The addition of Deep Learning to time series forecasts has led to a vast improvement in comparison with classic methods. This paper analyses the likenesses and differences between Prophet and NeuralProphet models by making a predictive comparison with a broad sample of time series. The present paper also discusses the theoretical fundamentals of both models and includes a bibliographical analysis of Makridakis forecasting competition. Finally, the performance of the two models is studied and compared in a practical application run on Python and based on the frequency and origin of the times series. Link: https://biblioteca.cunef.edu/gestion/catalogo/index.php?lvl=notice_display&id=50109 Series temporales y deep learning : NeuralProphet [documento electrónico] / Diego Cendán Bedregal, Autor ; Ricardo Queralt Sánchez de las Matas, Director de tesi . - 2022 . - 50 p. Máster Universitario en Ciencia de Datos Idioma : Español (spa) Materias: Inteligencia artificial Redes neuronales Series temporales Palabras clave: Deep  Learning,  Series  temporales,  Modelos  Prophet  y  NeuralProphet,  comparación  predictiva,  Makridakis  forecasting  Competition,  Python. Deep  Time  Series,  and  NeuralProphet  models,  predictive  comparison,  Python. Clasificación: 004.8 Inteligencia artificial. Razonamiento y aprendizaje automatizados. Sistemas inteligentes Resumen: La incorporación del Deep Learning en la predicción de series temporales ha supuesto un gran avance con respecto a los métodos clásicos. En este proyecto se analizan las diferencias y similitudes entre los modelos Prophet y NeuralProphet realizando una comparación predictiva con un amplio conjunto de series temporales. Se lleva a cabo un estudio de los fundamentos teóricos de ambos modelos, así como un análisis bibliográfico de la cuarta edición de la Makridakis forecasting competition. Finalmente se realiza una aplicación práctica en la que se estudia y compara el rendimiento de los modelos en función del origen y periodicidad de las series. Para ello, utilizamos la herramienta de software Python. The addition of Deep Learning to time series forecasts has led to a vast improvement in comparison with classic methods. This paper analyses the likenesses and differences between Prophet and NeuralProphet models by making a predictive comparison with a broad sample of time series. The present paper also discusses the theoretical fundamentals of both models and includes a bibliographical analysis of Makridakis forecasting competition. Finally, the performance of the two models is studied and compared in a practical application run on Python and based on the frequency and origin of the times series. Link: https://biblioteca.cunef.edu/gestion/catalogo/index.php?lvl=notice_display&id=50109

Ejemplares

Signatura	Medio	Ubicación	Sub-localización	Sección	Estado
ningún ejemplar

Documentos electrónicos

Documento completo URL