Deep learning para el análisis de series temporales

Fecha 25 octubre, 2017 19:00 - 21:00

Madrid International Lab

Calle Bailén 41
Madrid

Vamos a abrir boca antes de la 6ª edición de Big Data Spain con una convocatoria acerca de Deep Learning.

Francisco Javier Ordóñez nos hablará de Deep learning para el análisis de series temporales: redes convolucionales recurrentes

La mayoría de los problemas relativos al análisis de series temporales han sido tradicionalmente abordados mediante modelos de predicción auto-regresivos. Sin embargo, los modelos de predicción y clasificación basados en redes neuronales han experimentado un crecimiento muy rápido en los últimos años, debido a su versatilidad y precisión. Las redes recurrentes son un tipo de red neuronal que ha sido especialmente exitoso en el análisis de series temporales.

En esta charla presentaremos la arquitectura de un modelo deep learning que combina redes neuronales recurrentes y convolucionales, diseñado para la clasificación de series temporales. Las ventajas que ofrece este tipo de arquitectura son:

  1. Son capaces de funcionar con datos temporales en bruto.
  2. No necesitan conocimiento experto para definir los atributos manualmente.
  3. Modelan de forma automática las relaciones temporales de los datos.

Detallaremos la arquitectura y presentamos una implementación real en Python de dicha plataforma. Ilustraremos el rendimiento de la plataforma en un caso de uso: el problema del reconocimiento de la actividad humana.

El reconocimiento de la actividad humana es una problema que consiste en seleccionar a partir de unas etiquetas de actividad, la etiqueta más probable de acuerdo a una señal de sensor. Es un reto muy interesante con aplicaciones que tratan flujos de datos multidimensionales y multimodales que presentan una gran variabilidad.