Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder

Descripción del Articulo

En este trabajo se propone un m´etodo basado en autoencoder para la reducción de la dimensionalidad de series temporales, el cual consiste en la configuración del número de capas y unidades. El método se comparo´ con técnicas de reducción de dimensionalidad lineales y no lineales. Además se provee do...

Descripción completa

Detalles Bibliográficos
Autor: Alfonte Zapana, Reynaldo
Formato: tesis de maestría
Fecha de Publicación:2018
Institución:Consejo Nacional de Ciencia Tecnología e Innovación
Repositorio:CONCYTEC-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.concytec.gob.pe:20.500.12390/1666
Enlace del recurso:https://hdl.handle.net/20.500.12390/1666
Nivel de acceso:acceso abierto
Materia:Visualización
Series temporales climáticas
Autoencoder
Aprendizaje profundo
https://purl.org/pe-repo/ocde/ford#2.08.03
id CONC_efcbe1f17b5c51218fadcff44bdd6c2d
oai_identifier_str oai:repositorio.concytec.gob.pe:20.500.12390/1666
network_acronym_str CONC
network_name_str CONCYTEC-Institucional
repository_id_str 4689
spelling Publicationrp04554600Alfonte Zapana, Reynaldo2024-05-30T23:13:38Z2024-05-30T23:13:38Z2018https://hdl.handle.net/20.500.12390/1666En este trabajo se propone un m´etodo basado en autoencoder para la reducción de la dimensionalidad de series temporales, el cual consiste en la configuración del número de capas y unidades. El método se comparo´ con técnicas de reducción de dimensionalidad lineales y no lineales. Además se provee dos casos de estudio para determinar relaciones en datos climáticos. Es importante la representación adecuada de las series temporales al momento de proceder a analizar con algoritmos de minería de datos y aprendizaje automático. En series temporales hay una diversidad de t´ecnicas de representación que a la vez hacen reducción de dimensionalidad.Consejo Nacional de Ciencia, Tecnología e Innovación Tecnológica - ConcytecspaUniversidad Nacional de San Agustín de Arequipainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-nd/4.0/VisualizaciónSeries temporales climáticas-1Autoencoder-1Aprendizaje profundo-1https://purl.org/pe-repo/ocde/ford#2.08.03-1Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoderinfo:eu-repo/semantics/masterThesisreponame:CONCYTEC-Institucionalinstname:Consejo Nacional de Ciencia Tecnología e Innovacióninstacron:CONCYTEC20.500.12390/1666oai:repositorio.concytec.gob.pe:20.500.12390/16662024-05-30 16:04:34.643https://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_14cbinfo:eu-repo/semantics/closedAccessmetadata only accesshttps://repositorio.concytec.gob.peRepositorio Institucional CONCYTECrepositorio@concytec.gob.pe#PLACEHOLDER_PARENT_METADATA_VALUE#<Publication xmlns="https://www.openaire.eu/cerif-profile/1.1/" id="aa8a67ab-f39c-42e1-a815-a851ffdadc47"> <Type xmlns="https://www.openaire.eu/cerif-profile/vocab/COAR_Publication_Types">http://purl.org/coar/resource_type/c_1843</Type> <Language>spa</Language> <Title>Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder</Title> <PublishedIn> <Publication> </Publication> </PublishedIn> <PublicationDate>2018</PublicationDate> <Authors> <Author> <DisplayName>Alfonte Zapana, Reynaldo</DisplayName> <Person id="rp04554" /> <Affiliation> <OrgUnit> </OrgUnit> </Affiliation> </Author> </Authors> <Editors> </Editors> <Publishers> <Publisher> <DisplayName>Universidad Nacional de San Agustín de Arequipa</DisplayName> <OrgUnit /> </Publisher> </Publishers> <License>https://creativecommons.org/licenses/by-nc-nd/4.0/</License> <Keyword>Visualización</Keyword> <Keyword>Series temporales climáticas</Keyword> <Keyword>Autoencoder</Keyword> <Keyword>Aprendizaje profundo</Keyword> <Abstract>En este trabajo se propone un m´etodo basado en autoencoder para la reducción de la dimensionalidad de series temporales, el cual consiste en la configuración del número de capas y unidades. El método se comparo´ con técnicas de reducción de dimensionalidad lineales y no lineales. Además se provee dos casos de estudio para determinar relaciones en datos climáticos. Es importante la representación adecuada de las series temporales al momento de proceder a analizar con algoritmos de minería de datos y aprendizaje automático. En series temporales hay una diversidad de t´ecnicas de representación que a la vez hacen reducción de dimensionalidad.</Abstract> <Access xmlns="http://purl.org/coar/access_right" > </Access> </Publication> -1
dc.title.none.fl_str_mv Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder
title Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder
spellingShingle Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder
Alfonte Zapana, Reynaldo
Visualización
Series temporales climáticas
Autoencoder
Aprendizaje profundo
https://purl.org/pe-repo/ocde/ford#2.08.03
title_short Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder
title_full Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder
title_fullStr Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder
title_full_unstemmed Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder
title_sort Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder
author Alfonte Zapana, Reynaldo
author_facet Alfonte Zapana, Reynaldo
author_role author
dc.contributor.author.fl_str_mv Alfonte Zapana, Reynaldo
dc.subject.none.fl_str_mv Visualización
topic Visualización
Series temporales climáticas
Autoencoder
Aprendizaje profundo
https://purl.org/pe-repo/ocde/ford#2.08.03
dc.subject.es_PE.fl_str_mv Series temporales climáticas
Autoencoder
Aprendizaje profundo
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.08.03
description En este trabajo se propone un m´etodo basado en autoencoder para la reducción de la dimensionalidad de series temporales, el cual consiste en la configuración del número de capas y unidades. El método se comparo´ con técnicas de reducción de dimensionalidad lineales y no lineales. Además se provee dos casos de estudio para determinar relaciones en datos climáticos. Es importante la representación adecuada de las series temporales al momento de proceder a analizar con algoritmos de minería de datos y aprendizaje automático. En series temporales hay una diversidad de t´ecnicas de representación que a la vez hacen reducción de dimensionalidad.
publishDate 2018
dc.date.accessioned.none.fl_str_mv 2024-05-30T23:13:38Z
dc.date.available.none.fl_str_mv 2024-05-30T23:13:38Z
dc.date.issued.fl_str_mv 2018
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12390/1666
url https://hdl.handle.net/20.500.12390/1666
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.publisher.none.fl_str_mv Universidad Nacional de San Agustín de Arequipa
publisher.none.fl_str_mv Universidad Nacional de San Agustín de Arequipa
dc.source.none.fl_str_mv reponame:CONCYTEC-Institucional
instname:Consejo Nacional de Ciencia Tecnología e Innovación
instacron:CONCYTEC
instname_str Consejo Nacional de Ciencia Tecnología e Innovación
instacron_str CONCYTEC
institution CONCYTEC
reponame_str CONCYTEC-Institucional
collection CONCYTEC-Institucional
repository.name.fl_str_mv Repositorio Institucional CONCYTEC
repository.mail.fl_str_mv repositorio@concytec.gob.pe
_version_ 1844883013430673408
score 13.466479
Reducción de la dimensionalidad de series temporales climáticas usando Deep Multi-Layer Autoencoder
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares