Detección de técnicas de aprendizaje profundo aplicadas en las diferentes áreas del conocimiento, empleando el método de revisión sistemática de literatura.

Abstract

Deep 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.