| Título : |
Deep Learning in Multi-step Prediction of Chaotic Dynamics : From Deterministic Models to Real-World Systems |
| Tipo de documento: |
documento electrónico |
| Autores: |
Sangiorgio, Matteo, Autor ; Dercole, Fabio, Autor ; Guariso, Giorgio, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XII, 104 p. 46 ilustraciones, 25 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-030-94482-7 |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Redes neuronales (Informática) Inteligencia Computacional Inteligencia artificial teoría del sistema Modelos matemáticos de procesos cognitivos y redes neuronales Sistemas complejos |
| Índice Dewey: |
519 Estadística y probabilidades |
| Resumen: |
El libro representa el primer intento de abordar sistemáticamente el uso de redes neuronales profundas para pronosticar series temporales caóticas. A diferencia de la mayor parte de la literatura actual, implementa un enfoque de múltiples pasos, es decir, el pronóstico de un intervalo completo de valores futuros. Esto es relevante para muchas aplicaciones, como el control predictivo de modelos, que requiere predecir los valores para todo el horizonte de retroceso. Pasando progresivamente de modelos deterministas con diferentes grados de complejidad y caótica a sistemas ruidosos y luego a casos del mundo real, el libro compara el desempeño de varias arquitecturas de redes neuronales (feed-forward y recurrentes). También introduce un enfoque innovador y poderoso para entrenar estructuras recurrentes específicas para tareas de secuencia a secuencia. El libro también presenta uno de los primeros intentos en el contexto de la predicción de series temporales ambientales de aplicar técnicas de aprendizaje por transferencia como la adaptación de dominio. |
| Nota de contenido: |
Introduction to chaotic dynamics' forecasting,. Basic concepts of chaos theory and nonlinear time-series analysis -- Artificial and real-world chaotic oscillators -- Neural approaches for time series forecasting -- Neural predictors' accuracy -- Neural predictors' sensitivity and robustness -- Concluding remarks on chaotic dynamics' forecasting. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
Deep Learning in Multi-step Prediction of Chaotic Dynamics : From Deterministic Models to Real-World Systems [documento electrónico] / Sangiorgio, Matteo, Autor ; Dercole, Fabio, Autor ; Guariso, Giorgio, Autor . - 1 ed. . - [s.l.] : Springer, 2021 . - XII, 104 p. 46 ilustraciones, 25 ilustraciones en color. ISBN : 978-3-030-94482-7 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Redes neuronales (Informática) Inteligencia Computacional Inteligencia artificial teoría del sistema Modelos matemáticos de procesos cognitivos y redes neuronales Sistemas complejos |
| Índice Dewey: |
519 Estadística y probabilidades |
| Resumen: |
El libro representa el primer intento de abordar sistemáticamente el uso de redes neuronales profundas para pronosticar series temporales caóticas. A diferencia de la mayor parte de la literatura actual, implementa un enfoque de múltiples pasos, es decir, el pronóstico de un intervalo completo de valores futuros. Esto es relevante para muchas aplicaciones, como el control predictivo de modelos, que requiere predecir los valores para todo el horizonte de retroceso. Pasando progresivamente de modelos deterministas con diferentes grados de complejidad y caótica a sistemas ruidosos y luego a casos del mundo real, el libro compara el desempeño de varias arquitecturas de redes neuronales (feed-forward y recurrentes). También introduce un enfoque innovador y poderoso para entrenar estructuras recurrentes específicas para tareas de secuencia a secuencia. El libro también presenta uno de los primeros intentos en el contexto de la predicción de series temporales ambientales de aplicar técnicas de aprendizaje por transferencia como la adaptación de dominio. |
| Nota de contenido: |
Introduction to chaotic dynamics' forecasting,. Basic concepts of chaos theory and nonlinear time-series analysis -- Artificial and real-world chaotic oscillators -- Neural approaches for time series forecasting -- Neural predictors' accuracy -- Neural predictors' sensitivity and robustness -- Concluding remarks on chaotic dynamics' forecasting. |
| En línea: |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
| Link: |
https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i |
|  |
Hacer una sugerencia Refinar búsqueda
