| 3 |
Enriching Artificial Intelligence Explanations with Knowledge Fragments
|
|
|
|
In: Future Internet; Volume 14; Issue 5; Pages: 134 (2022)
|
|
BASE
|
|
Show details
|
|
|
| 4 |
Deep Learning XAI for Bus Passenger Forecasting: A Use Case in Spain
|
|
|
|
In: Mathematics; Volume 10; Issue 9; Pages: 1428 (2022)
|
|
BASE
|
|
Show details
|
|
|
| 5 |
A Stacking Ensemble Deep Learning Model for Bitcoin Price Prediction Using Twitter Comments on Bitcoin
|
|
|
|
In: Mathematics; Volume 10; Issue 8; Pages: 1307 (2022)
|
|
BASE
|
|
Show details
|
|
|
| 6 |
Library for forecasting time series data from industrial sources ; Creación de una librería para predicción de series temporales de señales industriales
|
|
Murillo González, Miguel. - : Consejo Superior de Investigaciones Científicas (España), 2021. : Universidad de Cantabria, 2021. : Universidad Internacional Menéndez Pelayo, 2021. : CSIC-UC - Instituto de Física de Cantabria (IFCA), 2021
|
|
Abstract:
Trabajo fin de Máster defendido en la Facultad de Ciencias de la Universidad de Cantabria, el 23 de julio de 2021 - Curso 2020-2021 - Máster Interuniversitario en Ciencia de Datos / Master in Data Science (UIMP-UC-CSIC) ; [EN] In recent years, demand for Data Science applied to industry and manufacturing has only increased. The main goals expected from the integration of data science methods are improvement of energy efficiency and intelligent process and supply chain management. The main barrier to overcome when working in an industrial setting is the reliance on often legacy and outdated hardware for taking measurements and gathering data. These systems present limitations especially in the variety of data they can output. Input data in industrial problems often consists on uni-variate time series, having only available the raw measurements and the timestamps associated to it. Another limitation, or barrier of entry for users or companies to add data science to their workflow regarding their manufacturing lines is the learning curve. Data science is a complex discipline that requires a lot of prior knowledge to apply, which can often make novice companies or users give up prematurely. Time series forecasting is therefore a very common problem in data science, especially in the private sector, and one in which developement is still in early stages for the most part. Most solutions require advanced knowledge and lack ease-of-use. The goal of this work is to, using the Python 3 programming language, develop a library focused on auttomated time series forecasting. This library is based on others like Scikit-Learn and Keras, and aims to be user-friendly. The main objective of the package is to limit the parameters specified by the user, so that previous training in data science is not needed to work it. The user will only need to execute a command in Python with their query, specifying the forecasting horizon for the predition and the desired processing time, which will in turn determine the confidence of the prediction. This work is a colaboration between Consulting Informático de Cantabria (CIC) and Universidad de Cantabria (UC), and has as a motivation to improve accessibility to the most commonly used Machine Learning algorithms for time series prediction, both for Industrial applications, following the United Nations (UN) Sustainable Developement Goal (SDG) number 9, pertaining to sustainable industrialization and innovation. It also has a presence in the Scientific dissemination space, allowing for easy entry into time series prediction tasks, that can in turn be an entry into other Machine Learning problems. ; [ES] En los últimos años la demanda por parte del campo de la industria y la manufactura de servicios de ciencia de datos no ha hecho más que crecer. Entre los objetivos principales que tiene este sector destacan la eficiencia energética y la optimización de demandas y procesos. En la mayoría de los casos esto depende de sistemas ya instalados, los cuales tienen limitaciones en cuanto a la variedad de datos de salida. Los datos de entrada de los problemas industriales suelen ser series de datos temporales, contando únicamente con la variable del momento en el que se toman los datos, y el dato en cuestión. Una de las limitaciones o barreras de entrada a que las empresas y usuarios puedan generar modelos usando los datos correspondientes a sus procesos de manufactura es la curva de aprendizaje. La ciencia de datos es una disciplina que requiere bastante conocimiento previo, lo cual puede traducirse en el desistimiento por parte de usuarios inexpertos en el tema. La predicción de series temporales (time series forecasting) es un problema muy común en ciencia de datos, para el cual no se dispone todavía de herramientas que faciliten la aplicación de aprendizaje automático o Machine Learning (ML). Es por ello que en este trabajo se va a elaborar una librería, desarrollada en el lenguaje de programación Python 3 y basada en herramientas disponibles de otras librerías ya establecidas, como Sci-kit Learn o Keras, para el análisis mediante Automated Machine Learning (AutoML) de series temporales. El objetivo principal es limitar los parámetros que se solicitan al usuario, el cual puede no contar con conocimientos especializados de ciencia de datos para realizar las predicciones, sino que solo deberá ejecutar un comando en Python, en el que incluirá las características básicas de su consulta, como por ejemplo el horizonte de predicción, o el tiempo en el futuro al que se quiere conocer el dato, y la velocidad de procesamiento de la predicción. Este trabajo, una colaboración entre Consulting Informático de Cantabria (CIC) y la Universidad de Cantabria (UC), tiene como motivación mejorar la accesibilidad de los métodos más comunes de predicción de series temporales, tanto para la industria en general, en el marco de la mejora de eficiencia y la promoción de la innovación sostenible (Objetivo de Desarrollo Sostenible (ODS) de la Organización de las Naciones Unidas (ONU) número 9), como para la divulgación científica, al poder aportar una puerta de entrada a la ciencia de datos para personas inexpertas en el tema. ; Peer reviewed
|
|
Keyword:
Aprendizaje Automático; AutoML; Forecasting; Machine Learning; Predicción; Series Temporales; Time Series
|
|
URL: http://hdl.handle.net/10261/248301
|
|
BASE
|
|
Hide details
|
|
|
| 7 |
Management of reproduction of the livestock branch as the basis of its innovation-and-investment development ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 8 |
Adaptive Kompetenzen von Kindern mit Down-Syndrom – ein Follow-up über zehn Jahre ... : Adaptive competences of children with Down syndrome - a ten-year follow-up ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 9 |
Adaptive Kompetenzen von Kindern mit Down-Syndrom – ein Follow-up über zehn Jahre ; Adaptive competences of children with Down syndrome - a ten-year follow-up
|
|
|
|
In: Empirische Sonderpädagogik 13 (2021) 2, S. 100-109 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 10 |
NEURAL NETWORK MODELS AND METHODS IN THE TASKS OF PERSONNEL DEVELOPMENT MANAGEMENT IN COMPANIES ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 11 |
Climate Risks and the Realized Volatility Oil and Gas Prices: Results of an Out-of-Sample Forecasting Experiment
|
|
|
|
In: Energies; Volume 14; Issue 23; Pages: 8085 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 12 |
A Brief Taxonomy of Hybrid Intelligence
|
|
|
|
In: Forecasting ; Volume 3 ; Issue 3 ; Pages 39-643 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 13 |
APPLICATION OF THE ECONOMETRIC APPROACH TO FORECASTING THE KEY INDICATORS IN RENTAL OPERATIONS ; ЗАСТОСУВАННЯ ЕКОНОМЕТРИЧНОГО ПІДХОДУ ДО ПРОГНОЗУВАННЯ КЛЮЧОВИХ ПОКАЗНИКІВ В ОРЕНДНИХ ОПЕРАЦІЯХ
|
|
|
|
In: The Economic Discourse; No. 3 (2020); 106-116 ; Економічний дискурс; № 3 (2020); 106-116 ; 2410-7476 ; 2410-0919 ; 10.36742/2410-0919-2020-3 (2021)
|
|
BASE
|
|
Show details
|
|
|
| 14 |
Подходы к стратегическому планированию в высшем образовании : магистерская диссертация ; Approaches to Strategic Planning in Higher Education
|
|
|
|
BASE
|
|
Show details
|
|
|
| 15 |
ПРОГНОЗИРОВАНИЕ КАК НАЧАЛЬНЫЙ ЭТАП УПРАВЛЕНИЯ ПЕРСОНАЛОМ ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 16 |
ЗНАЧЕНИЕ СОЦИАЛЬНОГО СТАТУСА И РОЛИ ЛИЧНОСТИ ДЛЯ ЦЕЛЕЙ КРИМИНОЛОГИЧЕСКОГО ПРОГНОЗИРОВАНИЯ ИНДИВИДУАЛЬНОГО ПРЕСТУПНОГО ПОВЕДЕНИЯ ...
|
|
|
|
BASE
|
|
Show details
|
|
|
| 17 |
Exploring Grey Systems Theory-Based Methods and Applications in Sustainability Studies: A Systematic Review Approach
|
|
|
|
In: Sustainability ; Volume 12 ; Issue 11 (2020)
|
|
BASE
|
|
Show details
|
|
|
| 18 |
Hybrid predictive decision-making approach to emission reduction policies for sustainable energy industry
|
|
|
|
In: Energies ; Volume 13 ; Issue 9 (2020)
|
|
BASE
|
|
Show details
|
|
|
| 19 |
Forecasting Model for Stock Market Based on Probabilistic Linguistic Logical Relationship and Distance Measurement
|
|
|
|
In: Symmetry ; Volume 12 ; Issue 6 (2020)
|
|
BASE
|
|
Show details
|
|
|
| 20 |
Assessing the quality of international trade and economic relations in the agricultural sector ; Оцінювання якості міжнародних торговельно-економічних відносин в аграрному секторі
|
|
|
|
In: Economies' Horizons; No. 1(12) (2020): Economies’ Horizons; 91-101 ; Економічні горизонти; № 1(12) (2020): Економічні горизонти; 91-101 ; 2616-5236 ; 2522-9273 (2020)
|
|
BASE
|
|
Show details
|
|
|
|
|
