Objetivo

Comprender la forma en la que se crean los modelos de predicción con base en redes neuronales.

Descripción

En esta experiencia educativa, el aprendedor será capaz de analizar las características de los modelos de predicción con base en redes neuronales y su aplicación dentro de los modelos de deep-learning dentro del área financiera.

Haz clic para revisar la explicación.

Modelos de predicción con base en redes neuronales

Revisa el siguiente video:

Para conocer más sobre modelos de predicción con base en redes neuronales, revisa el siguiente video:

Alexander Amini. (2022, 11 de marzo). MIT Introduction to Deep Learning (2022) | 6.S191 [Archivo de video]. Recuperado de https://www.youtube.com/watch?v=7sB052Pz0sQ

Revisa las siguientes lecturas:

Para conocer más sobre modelos de predicción con base en redes neuronales, te recomendamos leer:

• Baheti, P. (2022). Activation Functions in Neural Networks [12 Types & Use Cases]. Recuperado de https://www.v7labs.com/blog/neural-networks-activation-functions
• Escobar, L., Valdes, J., y Zapata, S. (s.f.). Redes Neuronales Artificiales en predicción de Series de Tiempo. Una aplicación a la industria. Recuperado de https://www.palermo.edu/ingenieria/Pdf2010/CyT9/02.pdf
• PyTorch. (s.f.). Neural networks. Recuperado de https://pytorch.org/tutorials/beginner/blitz/neural_networks_tutorial.html
• Scikit learn. (s.f.). 1.17. neural network models (supervised). Recuperado de https://scikit-learn.org/stable/modules/neural_networks_supervised.html
• Scikit learn. (s.f.). 1.17.9 more control with warm_start. Recuperado de https://scikit-learn.org/stable/modules/neural_networks_supervised.html
• TensorFlow. (s.f.). Aprendizaje estructurado neuronal: entrenamiento con señales estructuradas. Recuperado de https://www.tensorflow.org/neural_structured_learning

Objetivo

Comprender el uso del modelo de predicción con base en redes neuronales.

Instrucciones

Los siguientes enlaces son externos a la Universidad Tecmilenio, al acceder a ellos considera que debes apegarte a sus términos y condiciones.

Para la resolución de este problema se utiliza un conjunto de datos, dividido en tres particiones y disponible en este repositorio en la nube (https://gist.github.com/RHDZMOTA/406bb08e1a33469eceb66e5d6bf78e27/)

La descarga de la información se realiza programáticamente con Python utilizando el siguiente código:

import os
import pandas as pd
url _base = (
        “https://gist.github.com/RHDZMOTA/”
        “406bb08e1a33469eceb66e5d6bf78e27/raw/a5f5d03c731df8a08e0574b150fe877f0abcc564/”
)
dataset_names = [
     “annual – income – category – low.json”,
     “annual – income – category -medium.json”,
     “annual – income – category – hight.json”,
]
dataset = pd.contact ( [pd.read_json(f”{url_base}/{name}”). T for name in dataset_names]) \
.sample(frac=1 , random_state=888). reset_index (drop=true)
  
print(dataset.shape)
dataset.head()
(222416, 6)

 

Consulta la siguiente bibliografía:

• Mota, R. (s.f.). Annual-income-category-high.json. Recuperado de https://gist.github.com/RHDZMOTA/406bb08e1a33469eceb66e5d6bf78e27/
• Scikit learn. (s.f.). 1. supervised learning. Recuperado de https://scikit-learn.org/stable/supervisHijoed_learning.html

Analiza lo siguiente:

1. Escoge una sola variable y haz una regresión lineal. Utiliza el conjunto de entrenamiento (train) para generar el modelo.
1. ¿Cuál es el rendimiento predictivo del modelo de regresión con una sola variable? Calcula e interpreta el error cuadrado medio en ambos conjuntos: entrenamiento y prueba.
2. ¿Cuál fue la metodología para seleccionar la variable utilizada? Justifica con investigación propia.

Checklist

1. Se descarga la información de la base de datos considerando el código de acceso establecido.
2. Se genera una regresión lineal a través de una variable.
3. Se detalla el rendimiento predictivo del modelo de regresión con una variable.
4. Se interpreta el error cuadrado medio del modelo de entrenamiento y del de prueba.
5. Se detalla la metodología para seleccionar la variable utilizada.