Escolar Documentos
Profissional Documentos
Cultura Documentos
DE GRAU
CURSO:
Inteligencia artificial
TEMA:
ALUMNO:
DOCENTE:
PIURA PER
2016
INTELIGENCIA ARTIFICIAL
INTRODUCCIN
En los ltimos tiempos el inters por la prediccin de series de tiempo ha aumentado puesto
que ayudado con las nuevas tecnologas se puede procesar informacin y realizar clculos
complejos en minutos e incluso segundos.
Asimismo, dado que muchas de las series que son de inters de anlisis tiene una
naturaleza no lineal, se hace necesario utilizar otras tcnicas fuera de las clsicas para
realizar prediccin y as obtener modelos ms eficientes.
Las redes neuronales artificiales son herramientas de prediccin las cuales son exitosamente
aplicadas en las series de tiempo. Las redes neuronales artificiales son una rama de la
inteligencia artificial que consiste en el aprendizaje y procesamiento automtico inspirado en
la forma en que funciona el sistema nervioso biolgico.
El objetivo de usar redes neuronales artificiales es conseguir respuestas similares a las del
cerebro humano las cuales se caracterizan por su generalizacin y robustez.
I. OBJETIVOS
Objetivo general:
Objetivos especficos.
Segn Chatfield, 1978, son varios los objetivos por los cuales se puede querer
analizar una serie de tiempo:
Prediccin: Dada una serie de tiempo se puede querer predecir los valores
futuros de la serie. Este es el objetivo ms frecuente en el anlisis de
series de tiempo.
a) Arquitectura de red
b) Aprendizaje
c) Capacidad de Generalizacin
Para que una red neuronal sea capaz de generalizar de buena forma es
necesario contar con un conjunto de datos de entrenamiento
suficientemente representativo de la globalidad del problema en cuestin.
3) Creacin de la red
4) Entrenamiento
5) Validacin
V) PROCEDIMIENTO
En la lnea de script ingresamos la siguiente descripcin y la ejecutamos.
0.0101
0.9318
0.0283
0.2669
-0.4351
En el siguiente grfico se muestran los datos pronosticados y deseados.
Este grfico nos muestra los pronsticos, los datos deseados y los errores en
funcin del tiempo. Tambin indica que se han seleccionado los puntos de
tiempo para el entrenamiento, pruebas y validacin.
En el grfico de regresin se muestra que el 92.405% del total de los datos son
explicados por el modelo.
En el siguiente grfico podemos ver que los errores tanto del entrenamiento
como del test y de la validacin siguen una distribucin normal
En el siguiente grfico podemos ver que los errores tanto totales siguen una
distribucin normal y que la mayoria de errores est alrededor de cero.
w=
-0.1157
-0.0589
0.0007
-0.013
0.0126
w=
-1.7545
-15.2154
VII) REFERENCIAS