Codificación de series temporales dinámicas en redes neuronales

Institución otorgante:

Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Fecha:

2022-03-17

Tipo de documento: 

info:eu-repo/semantics/doctoralThesis
 

Formato:

application/pdf

Idioma:

spa

Descripción:

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.

Identificador:

https://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri