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

Guardado en:
Detalles Bibliográficos
Autor principal: Uribarri, Gonzalo
Formato: Tesis Doctoral
Lenguaje:Español
Publicado: 2022
Acceso en línea:https://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri
Aporte de:
Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA) de Universidad de Buenos Aires
id todo:tesis_n7303_Uribarri
record_format dspace
spelling todo:tesis_n7303_Uribarri2023-10-03T13:17:58Z Codificación de series temporales dinámicas en redes neuronales Dynamical time series embeddings in neural networks Uribarri, Gonzalo 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. 2022 Tesis Doctoral PDF Español info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-sa/2.5/ar https://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri
institution Universidad de Buenos Aires
institution_str I-28
repository_str R-134
collection Biblioteca Digital - Facultad de Ciencias Exactas y Naturales (UBA)
language Español
orig_language_str_mv Español
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.
format Tesis Doctoral
author Uribarri, Gonzalo
spellingShingle Uribarri, Gonzalo
Codificación de series temporales dinámicas en redes neuronales
author_facet Uribarri, Gonzalo
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
publishDate 2022
url https://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri
work_keys_str_mv AT uribarrigonzalo codificaciondeseriestemporalesdinamicasenredesneuronales
AT uribarrigonzalo dynamicaltimeseriesembeddingsinneuralnetworks
_version_ 1807317458611077120

Ejemplares similares