Inteligencia Artificial

Comienza Ya. Es Gratis
ó regístrate con tu dirección de correo electrónico
Inteligencia Artificial por Mind Map: Inteligencia Artificial

1. MAPE:4.28% R2:0.88% RMSE:3.16%

2. Métodos

2.1. Estadístico

2.1.1. Principal herramienta ARIMA

2.1.2. Variable temporal

2.1.2.1. Valores de demandas electrónicas en el tiempo

2.1.3. Variable exógenas

2.1.3.1. Día del mes

2.1.3.2. Mes del año

2.1.3.3. Estación

2.1.3.4. Días festivos

2.1.4. Transformacion de variables temporales

2.1.4.1. Asegurar modelo aditivo

2.1.4.2. Transformaciones ox Cox

2.1.4.3. Normalización

2.1.5. Entrenamiento de método ARIMA

2.1.5.1. Optimización de hiperparámetros

2.2. Redes neuronales artificiales

2.2.1. Principal arquitectura de redes neurales

2.2.1.1. LSTM

2.2.2. Contiene celdas de memoria

2.2.2.1. olvido

2.2.2.2. input

2.2.2.3. output

2.2.3. Normalizar variables

2.2.3.1. Evita problemas con el descenso temporal gradiente

2.2.4. Modelos de LSTM

3. Problemática

3.1. Reduccion de costos operativos

3.1.1. Reducir abastecimiento de ATMs

3.1.2. No afectar el nivel de servicio

3.2. Optimizar cronograma de abastecimientos

3.2.1. Optimizar cantidad de ATMs

3.2.2. Optimizar frecuencia de abastecimientos

3.3. Pronóstico de ATMS

3.3.1. Pronosticar la demanda de los ATMs

3.4. Modelado de ATMS

3.4.1. Modelar sin dependencias

3.4.2. ¿Cuál es el mejor "approach"?

3.4.2.1. Métodos estadísticos adicionales

3.4.2.2. Métodos de machine learning

4. Transformacion, pre-procesamiento de dato y evaluacion de modelo

4.1. Tratamiento de outliers

4.2. Transformacion Box-Cox

4.3. Normalizacion

4.4. Aplicacion de transformacion inversa

5. Detección de Anomalías(supervisado)

5.1. Regresion logistica

5.2. Random forest

6. Conceptos de Inteligencia artificial

6.1. Inteligencia de Maquina

6.2. Machine Larning/Deep Learning

6.3. Neurociencia Computacional

6.4. Estadística

7. Pronóstico Estadístico y de IA

7.1. Time series

7.2. Métodos estadísticos

7.2.1. ARIMA

7.2.2. SARIMA

7.2.3. Exp Smooth

7.3. Métodos con DL

7.3.1. LSTM

7.3.2. LSTM-R

7.3.3. CNN

8. Data Argumentation

8.1. Variables externas

8.1.1. dias festivos

8.1.2. fines de semana

8.1.3. fechas de pago

8.2. Las variables tienen ciclos repetitivos

8.3. Variables fijas en el futuro

8.4. Regresores externos alimentan modelos

9. Deteccion de Anomalias(no supervisado)

9.1. Isolation forest

9.1.1. Árbol de decisión

9.1.2. puntos mas faciles de aislar son considerados anomalias

9.2. Modelos mixtos Gaussianos

10. Apache Spark Framework

10.1. Definición

10.1.1. Motor de procesamiento de datos distribuidos

10.2. Por encima

10.2.1. SQL

10.2.2. ML

10.2.3. grafos

10.3. Lenguajes soportados

10.3.1. Java

10.3.2. R

10.3.3. Python

10.3.4. Escala

11. Metodos y tecnicas

11.1. Data agregada por ciclo de despacho

11.2. Modelo de prediccion de consumo

11.2.1. Transformaciones no lineales

11.3. Carga,tiempo,retraso,velocidad,elevacion,temperatura,etc

11.3.1. Ingeniería de características

11.4. SVM,XGBoost,OLS,MLP