Codificación de series temporales dinámicas en redes neuronales

Mostrar todas las versiones(3)

En los últimos años, el modelado data-driven (basado en datos) ha tomado un notable impulso en todas las áreas del conocimiento. El acelerado aumento en la disponibilidad de datos y el poder de cómputo, sumado al constante desarrollo de algoritmos de machine learning (aprendizaje automá- ́tico), ha...

Descripción completa

Detalles Bibliográficos
Autor principal: Uribarri, Gonzalo
Otros Autores: Mindlin, Bernardo Gabriel
Formato: Tesis doctoral publishedVersion
Lenguaje:Español
Publicado: Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales 2022
Acceso en línea:https://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri
https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesis&d=tesis_n7303_Uribarri_oai
Aporte de:
Repositorio Digital de la Universidad de Buenos Aires (UBA) de Universidad de Buenos Aires
id I28-R145-tesis_n7303_Uribarri_oai
record_format dspace
spelling I28-R145-tesis_n7303_Uribarri_oai2024-09-02 Mindlin, Bernardo Gabriel Uribarri, Gonzalo 2022-03-17 En los últimos años, el modelado data-driven (basado en datos) ha tomado un notable impulso en todas las áreas del conocimiento. El acelerado aumento en la disponibilidad de datos y el poder de cómputo, sumado al constante desarrollo de algoritmos de machine learning (aprendizaje automá- ́tico), ha permitido a los modelos data-driven posicionarse como el estado del arte en una gran variedad de tareas en ciencia e ingeniería. La idea central en este programa de trabajo es que los algoritmos sean capaces de descubrir por su cuenta cuales son las variables relevantes de un dado sistema a partir de datos experimentales crudos, incluso en casos donde los mismos son de dimen-sión alta y no están estructurados. A pesar de su notable éxito, la principal desventaja de este tipo de modelos es la dificultad para interpretarlos. En esta tesis se investiga el uso de modelos data-driven para casos donde las mediciones provienen de sistemas dinámicos. El objetivo de la misma es desarrollar metodologías que permitan aprovechar el potencial de los modelos actuales de machine learning para construir modelos interpretables de la dinámica del problema a partir de mediciones del mismo. Con este fin, estudiamos las características relevantes extraídas de los datos por modelos de redes neuronales en diversas tareas relacionadas a series temporales. Mostramos que este tipo de modelos tiene la capacidad de aprender una representación de los datos que resulta equivalente al flujo del sistema dinámico original del cual proviene la serie. In recent years, data-driven modeling has gained remarkable momentum in all areas of knowledge. The accelerated increase in data availability and computing power, coupled to the constant development of machine learning algorithms, has allowed data-driven models to position themselves as the state of the art in a wide variety of tasks in science and engineering. The main idea behind this framework is to use algorithms capable of automatically discovering the relevant variables of a given system from raw experimental data, even in cases where the data is high-dimensional and unstructured. Despite their remarkable success, the main drawback of this type of models is that they are very difficult to interpret. In this thesis we investigate the use of data-driven models for cases where the measurements come from dynamical systems. Our goal is to develop methodologies that allow us to leverage the potential of current machine learning models to build interpretable dynamical models of the systems under study directly from data. To this end, we study the relevant features extracted from the data by neural network models in different time series related tasks. We show that this type of models has the ability to learn a representation of the data that is equivalent to the flow of the original dynamical system from which the time series is measured. Fil: Uribarri, Gonzalo. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina. application/pdf https://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri spa Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar Codificación de series temporales dinámicas en redes neuronales Dynamical time series embeddings in neural networks info:eu-repo/semantics/doctoralThesis info:ar-repo/semantics/tesis doctoral info:eu-repo/semantics/publishedVersion https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesis&d=tesis_n7303_Uribarri_oai
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-145
collection Repositorio Digital de la Universidad de Buenos Aires (UBA)
language Español
orig_language_str_mv spa
description En los últimos años, el modelado data-driven (basado en datos) ha tomado un notable impulso en todas las áreas del conocimiento. El acelerado aumento en la disponibilidad de datos y el poder de cómputo, sumado al constante desarrollo de algoritmos de machine learning (aprendizaje automá- ́tico), ha permitido a los modelos data-driven posicionarse como el estado del arte en una gran variedad de tareas en ciencia e ingeniería. La idea central en este programa de trabajo es que los algoritmos sean capaces de descubrir por su cuenta cuales son las variables relevantes de un dado sistema a partir de datos experimentales crudos, incluso en casos donde los mismos son de dimen-sión alta y no están estructurados. A pesar de su notable éxito, la principal desventaja de este tipo de modelos es la dificultad para interpretarlos. En esta tesis se investiga el uso de modelos data-driven para casos donde las mediciones provienen de sistemas dinámicos. El objetivo de la misma es desarrollar metodologías que permitan aprovechar el potencial de los modelos actuales de machine learning para construir modelos interpretables de la dinámica del problema a partir de mediciones del mismo. Con este fin, estudiamos las características relevantes extraídas de los datos por modelos de redes neuronales en diversas tareas relacionadas a series temporales. Mostramos que este tipo de modelos tiene la capacidad de aprender una representación de los datos que resulta equivalente al flujo del sistema dinámico original del cual proviene la serie.
author2 Mindlin, Bernardo Gabriel
author_facet Mindlin, Bernardo Gabriel
Uribarri, Gonzalo
format Tesis doctoral
Tesis doctoral
publishedVersion
author Uribarri, Gonzalo
spellingShingle Uribarri, Gonzalo
Codificación de series temporales dinámicas en redes neuronales
author_sort Uribarri, Gonzalo
title Codificación de series temporales dinámicas en redes neuronales
title_short Codificación de series temporales dinámicas en redes neuronales
title_full Codificación de series temporales dinámicas en redes neuronales
title_fullStr Codificación de series temporales dinámicas en redes neuronales
title_full_unstemmed Codificación de series temporales dinámicas en redes neuronales
title_sort codificación de series temporales dinámicas en redes neuronales
publisher Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales
publishDate 2022
url https://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri
https://repositoriouba.sisbi.uba.ar/gsdl/cgi-bin/library.cgi?a=d&c=aextesis&d=tesis_n7303_Uribarri_oai
work_keys_str_mv AT uribarrigonzalo codificaciondeseriestemporalesdinamicasenredesneuronales
AT uribarrigonzalo dynamicaltimeseriesembeddingsinneuralnetworks
_version_ 1824354946486632448

Ejemplares similares