Redes Neuronales Recurrentes: Análisis de los Modelos Especializados en Datos Secuenciales

Carlos Arana

No 797, CEMA Working Papers: Serie Documentos de Trabajo. from Universidad del CEMA

Abstract: El aprendizaje automático es la rama de la inteligencia artificial (IA) que se especializa en inferir patrones a partir de un conjunto datos, utilizando para ello diferentes técnicas estadísticas y heurísticas. Los métodos tradicionales de aprendizaje automático están limitados en su capacidad para el procesamiento de datos en bruto debido a la necesidad de contar con un intenso trabajo previo de procesamiento de estos para poder realizar inferencias. El aprendizaje profundo es una clase de métodos de aprendizaje automático con múltiples niveles de representación que soluciona esta dificultad. Se compone de varios módulos sencillos no lineales que generan sucesivamente representaciones de nivel superior, ligeramente más abstractas a partir de las características desarrolladas en los niveles anteriores, empezando por la entrada en bruto. En este artículo analizaremos en profundidad las características y aplicaciones de las redes neuronales recurrentes (RNN). Esta clase de estructuras de aprendizaje profundo se especializan en el tratamiento de datos de tipo secuencial, que son los caracterizan a las series temporales y a estructuras de datos como textos, videos y audio. En el artículo se presentarán y analizarán en profundidad las características y la aplicación de 3 tipos de redes neuronales profundas especializadas en este tipo de datos : redes neuronales recurrentes, redes de memoria a corto y largo plazo (LSTM) y redes recurrentes con atención.

Pages: 25 pages
Date: 2021-06
References: Add references at CitEc
Citations:

Downloads: (external link)
https://ucema.edu.ar/publicaciones/download/documentos/797.pdf (application/pdf)

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:cem:doctra:797

Access Statistics for this paper

More papers in CEMA Working Papers: Serie Documentos de Trabajo. from Universidad del CEMA Contact information at EDIRC.
Bibliographic data for series maintained by Valeria Dowding ().