Registro:
Documento: | Tesis Doctoral |
Título: | Codificación de series temporales dinámicas en redes neuronales |
Título alternativo: | Dynamical time series embeddings in neural networks |
Autor: | Uribarri, Gonzalo |
Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
Publicación en la Web: | 2023-07-03 |
Fecha de defensa: | 2022-03-17 |
Fecha en portada: | 2022 |
Grado Obtenido: | Doctorado |
Título Obtenido: | Doctor de la Universidad de Buenos Aires en el área de Ciencias Físicas |
Director: | Mindlin, Gabriel Bernardo |
Director Asistente: | Trevisan, Marcos Alberto |
Consejero: | Mininni, Pablo Daniel |
Jurado: | Morelli, Luis Guillermo; Groisman, Pablo José; Cannas, Sergio Alejandro |
Idioma: | Español |
Formato: | PDF |
Handle: |
http://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri |
PDF: | https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7303_Uribarri.pdf |
Registro: | https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n7303_Uribarri |
Ubicación: | Dep.FIS 007303 |
Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Uribarri, Gonzalo. (2022). Codificación de series temporales dinámicas en redes neuronales. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de http://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri |
Resumen:
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.
Abstract:
In recent years, data-driven modeling has gained remarkable momentum in all areas of knowledge. The accelerated increase in data availability and computing power, coupled to the constant development of machine learning algorithms, has allowed data-driven models to position themselves as the state of the art in a wide variety of tasks in science and engineering. The main idea behind this framework is to use algorithms capable of automatically discovering the relevant variables of a given system from raw experimental data, even in cases where the data is high-dimensional and unstructured. Despite their remarkable success, the main drawback of this type of models is that they are very difficult to interpret. In this thesis we investigate the use of data-driven models for cases where the measurements come from dynamical systems. Our goal is to develop methodologies that allow us to leverage the potential of current machine learning models to build interpretable dynamical models of the systems under study directly from data. To this end, we study the relevant features extracted from the data by neural network models in different time series related tasks. We show that this type of models has the ability to learn a representation of the data that is equivalent to the flow of the original dynamical system from which the time series is measured.
Citación:
---------- APA ----------
Uribarri, Gonzalo. (2022). Codificación de series temporales dinámicas en redes neuronales. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri
---------- CHICAGO ----------
Uribarri, Gonzalo. "Codificación de series temporales dinámicas en redes neuronales". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2022.https://hdl.handle.net/20.500.12110/tesis_n7303_Uribarri
Estadísticas:
Descargas totales desde :
Descargas mensuales
https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n7303_Uribarri.pdf