Please use this identifier to cite or link to this item: http://repositorio.udec.cl/jspui/handle/11594/2618
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorPradenas Rojas, Lorena del Carmen; supervisora de gradoes
dc.contributor.authorPaz Villaseca, Daniel Isaaces
dc.date.accessioned2018-05-04T17:27:41Z-
dc.date.accessioned2019-12-16T16:28:17Z-
dc.date.available2018-05-04T17:27:41Z-
dc.date.available2019-12-16T16:28:17Z-
dc.date.issued2017-
dc.identifier.other232720-
dc.identifier.urihttp://repositorio.udec.cl/jspui/handle/11594/2618-
dc.descriptionMagister en Ingeniería Industrial.es
dc.description.abstractEn el presente trabajo de tesis, se realiza una aplicación del Business Analytics específicamente Predictive Analytics con Aprendizaje de Máquina Supervisado en lo que respecta a la utilización de Redes Neuronales Artificiales Profundas en la elaboración de pronósticos. A partir de un conjunto de datos que conforman una serie de tiempo, obtenidos desde una base de datos de Demanda Eléctrica en Chile, se realizan distintos tipos de pronósticos con métodos estadísticos tradicionales versus el pronóstico con una red neuronal recurrente. Se hace una comparación de modelos de pronósticos tradicionales con el desempeño de una red neuronal, con el objetivo de obtener una minimización del error de pronóstico, que corresponde al error cuadrático medio (MSE). Para resolver el Problema se utilizaron diversas tecnologías, entre ellas se encuentra el software Matlab y R-Studio para la creación de las redes neuronales, con sus respectivas configuraciones. Se propone trabajar con el algoritmo Resilient Backpropagation bajo una topología de Red Neuronal Recurrente, con una función de activación sigmoidal. Los experimentos realizados muestran que el uso de Redes neuronales y los algoritmos presentados tienen un desempeño aceptable y más eficiente que los métodos tradicionales aplicados en la predicción, con tiempos de procesamiento (CPU) razonables y rapidez en la entrega de la información requerida.es
dc.language.isospaes
dc.publisherUniversidad de Concepción.es
dc.rightsCreative Commoms CC BY NC ND 4.0 internacional (Atribución-NoComercial-SinDerivadas 4.0 Internacional)-
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es-
dc.subjectRedes Neurales (Ciencia de la Computación)es
dc.subjectAprendizaje de Máquinaes
dc.subjectAprendizaje Supervisado (Aprendizaje de Máquina)es
dc.subjectIndustria, Innovación e Infraestructura-
dc.titleHerramientas deep learning para predictive analytics. Una aplicaciónes
dc.typeTesises
dc.description.facultadDepartamento de Ingeniería Industriales
dc.description.departamentoDepartamento de Ingeniería Industrial.es
Appears in Collections:Ingeniería Industrial - Tesis Magister

Files in This Item:
File Description SizeFormat 
Tesis_Herramientas_deep_learning.pdf16,19 MBAdobe PDFThumbnail
View/Open


This item is licensed under a Creative Commons License Creative Commons