Por favor, use este identificador para citar o enlazar este ítem: https://dspace.unl.edu.ec/jspui/handle/123456789/21918
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorOrdóñez Ordóñez, Pablo Fernado-
dc.contributor.authorSuntaxi Sarango, Martha Cristina-
dc.date.accessioned2019-06-13T21:01:38Z-
dc.date.available2019-06-13T21:01:38Z-
dc.date.issued2019-06-13-
dc.identifier.urihttp://dspace.unl.edu.ec/jspui/handle/123456789/21918-
dc.descriptionDeep Learning is a field of research that has become very popular in recent years for data learning, as it reaches high-level abstractions through the modeling of several layers of processing. Deep Learning has inspired a large number of researchers who use deep algorithms to detect patterns and extract data characteristics, in order to obtain more accurate results than commonly used models. That is why, thanks to the growing application of Deep Learning, the present Degree Work aims to determine the techniques and / or deep learning models that are currently applied in the areas of knowledge of engineering, medicine, research, industry and finance. For this, a Systematic Literature Review was developed based on the protocol of Barbara Kitchenham, resulting in the selection of 64 primary studies from which the research problem and the applied Deep Learning model were extracted. In the Systematic Literature Review it was obtained that, the Deep Learning LSTM model is ideal for problems of sales prediction, to validate this result the sales data of ILE (Lojana's Industry of Especerías) were used in developing a prediction model of sales using the LSTM network, which was compared with the models of Machine Learning simple neural network and the ARIMA model, using as an evaluation metric the mean square error, the experiments showed that despite the small size of the data the LSTM model gets less error than the other models. Finally, the DL has a wide range of applications, among them the sales prediction, where it was found that the LSTM model has a lower error than the Machine Learning models, although the data is limited. Therefore, the LSTM model is more efficient than Machine Learning models, although to validate the effectiveness of DL in future work, it is recommended to compare the results with other DL models.es_ES
dc.description.abstractDeep Learning es un campo de investigación que se ha vuelto muy popular en los últimos años para el aprendizaje de datos, ya que alcanza abstracciones de alto nivel a través del modelado de varias capas de procesamiento. Deep Learning ha inspirado a un gran número de investigadores que emplean algoritmos profundos para detectar patrones y extraer características de los datos, con el propósito de obtener resultados más precisos que los modelos comúnmente usados. Es por ello que, gracias a la creciente aplicación del Deep Learning, el presente Trabajo de Titulación tiene como objetivo determinar las técnicas y/o modelos de aprendizaje profundo que se aplican actualmente en las áreas de conocimiento de ingeniería, medicina, investigación, industria y finanzas. Para ello se desarrolló una Revisión Sistemática de Literatura en base al protocolo de Bárbara Kitchenham resultando en la selección de 64 estudios primarios de los cuales se extrajo el problema de investigación y el modelo Deep Learning aplicado. En la Revisión Sistemática de Literatura se obtuvo como resultado que, el modelo Deep Learning LSTM es ideal para problemas de predicción de ventas, para validar este resultado se emplearon los datos de ventas de ILE (Industria Lojana de Especerías) en desarrollar un modelo de predicción de ventas empleando la red LSTM, la cual se comparó con los modelos de Machine Learning red neuronal simple y el modelo ARIMA, empleando como métrica de evaluación el error cuadrático medio, los experimentos demostraron que a pesar del pequeño tamaño de los datos el modelo LSTM obtiene menor error que los otros modelos. Finalmente, el DL tiene una amplia gama de aplicación, entre ellas la predicción de ventas, donde se encontró que el modelo LSTM tiene un menor error que los modelos Machine Learning, a pesar de que los datos son limitados. Por tanto, el modelo LSTM es más eficaz que los modelos Machine Learning, aunque para validar la eficacia de DL en trabajos futuros se recomienda comparar los resultados con otros modelos DL.es_ES
dc.format.extent143 p.es_ES
dc.language.isospaes_ES
dc.publisherLoja: Universidad Nacional de Lojaes_ES
dc.rightsopenAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/ec/es_ES
dc.subject<INTELIGENCIA ARTIFICIAL><APRENDIZAJE PROFUNDO><REDES NEURONALES ARTIFICIALES><DEEP LEARNING><RED LSTM>es_ES
dc.titleDetección de técnicas de aprendizaje profundo aplicadas en las diferentes áreas del conocimiento, empleando el método de revisión sistemática de literatura.es_ES
dc.typebachelorThesises_ES
Aparece en las colecciones: TRABAJOS DE TITULACION AEIRNNR

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Suntaxi Sarango Martha Cristina.pdf6,76 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.