Comprender la forma en la que se crean los modelos de predicción con base en redes neuronales.
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.
Los siguientes enlaces son externos a la Universidad Tecmilenio, al acceder a ellos considera que debes apegarte a sus términos y condiciones.
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
Para conocer más sobre modelos de predicción con base en redes neuronales, te recomendamos leer:
Comprender el uso del modelo de predicción con base en redes neuronales.
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:
Analiza lo siguiente: