Aprendizaje automático práctico con Scikit-Learn, Keras y TensorFlow, 3ª edición

Capítulo 15. Procesamiento de secuencias mediante RNNs y CNNs

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Predecir el futuro es algo que haces todo el tiempo, ya sea terminar la frase de un amigo o anticipar el olor del café en el desayuno. En este capítulo hablaremos de las redes neuronales recurrentes (RNN), una clase de redes que pueden predecir el futuro (bueno, hasta cierto punto). Las RNN pueden analizar datos de series temporales, como el número de usuarios activos diarios de tu sitio web, la temperatura horaria de tu ciudad, el consumo eléctrico diario de tu casa, las trayectorias de los coches cercanos, y mucho más. Una vez que una RNN aprende los patrones pasados de los datos, es capaz de utilizar sus conocimientos para predecir el futuro, suponiendo, por supuesto, que los patrones pasados sigan siendo válidos en el futuro.

En términos más generales, las RNN pueden trabajar con secuencias de longitud arbitraria, en lugar de con entradas de tamaño fijo. Por ejemplo, pueden tomar como entrada frases, documentos o muestras de audio, lo que las hace extremadamente útiles para aplicaciones de procesamiento del lenguaje natural, como la traducción automática o la conversión de voz a texto.

En este capítulo, primero repasaremos los conceptos fundamentales en los que se basan las RNN y cómo entrenarlas mediante retropropagación en el tiempo. A continuación, las utilizaremos para predecir una serie temporal. ...