Hola Sensio, espero encontrarlo muy bien. una consulta trate de replicar el ejercicio pero solo me sale el primer grafico y me sale el siguiente error "object of type 'numpy.float32' has no len()", no se que estoy haciendo mal, por favor quedo atento a sus comentarios. Gracias...!!!
@@juansensio , muchas gracias por los comentarios estimado Sensio, voy a revisar los tutoriales desde la clase 1, un fuerte abrazo, estamos en contacto..!!!
Hola Juan. Muy buenos tus videos. Te quería consultar si tenes algún video o artículo que me puedas pasar para poder adecuar los datos de una serie de tiempo (fecha/valor) a los modelos RNN que explicas en los videos. Sobre un CSV real (no sintético) para tener un ejemplo más claro de esa parte. Desde ya muchas gracias. Saludos!
Explicas que es pero no cómo funciona , librerías , por qué no aplicas rnn con el perceptron ???? Si sólo es una secuencia temporal , aún no se explica la recurrencia con su estado anterior , una pena
Que tal Sensio. Muy educativos tus videos. Quería preguntarte si conoses de alguna librería, plataforma... donde se pueda aprender sobre redes neuronales evolutivas.
Si me refería a genéticos. En sí lo que estaba investigando sobre algoritmos para predecir series temporales y por lo que he estado viendo las redes recurrentes LSTM son las que mejor rendimiento tienen. De todos modos gracias por responder
He encontrado muy poco sobre las series temporales con Transformers. Pero sin duda es un tema prometedor. Lo que hay que hacer investigar sobre su arquitectura para ver de qué modo se le puede pasar los datos a la red
En este mismo canal hay un vídeo que habla sobre una arquitectura parecida a los Transformers pero le agrega más flexibilidad en los output y en otros detalles. Todo depende de qué tan grande sea tu histórico, si es muy grande esta arquitectura será mejor. Se llama Perceiver-IO.
El mejor vídeo sobre rnn que he visto hasta ahora! Me quedó ahora mucho más claro
Muuuuuuchas gracias!!!! Excelente!!!
Muy bueno ! Gracias por el contenido
El video es muy bueno, muchas gracias por su aportación
Excelente video, de verdad
Hola Sensio, espero encontrarlo muy bien. una consulta trate de replicar el ejercicio pero solo me sale el primer grafico y me sale el siguiente error "object of type 'numpy.float32' has no len()", no se que estoy haciendo mal, por favor quedo atento a sus comentarios. Gracias...!!!
Por lo que parece estás intentando sacar la longitud de un solo número, pero para ello necesitas un array de varios números para saber cuántos tienes.
@@juansensio , muchas gracias por los comentarios estimado Sensio, voy a revisar los tutoriales desde la clase 1, un fuerte abrazo, estamos en contacto..!!!
Hola Juan. Muy buenos tus videos. Te quería consultar si tenes algún video o artículo que me puedas pasar para poder adecuar los datos de una serie de tiempo (fecha/valor) a los modelos RNN que explicas en los videos. Sobre un CSV real (no sintético) para tener un ejemplo más claro de esa parte. Desde ya muchas gracias. Saludos!
Pues justo ahora estamos viendo ejemplos de ésto mismo en los directos de Twitch, iré subiendo vídeos a medida que vayamos progresando :)
@@juansensio genial. Espero entonces! Hay alguna forma que pueda ver esos Twitch?
Explicas que es pero no cómo funciona , librerías , por qué no aplicas rnn con el perceptron ???? Si sólo es una secuencia temporal , aún no se explica la recurrencia con su estado anterior , una pena
No reconoce la funcion predict que paso?
Que tal Sensio. Muy educativos tus videos. Quería preguntarte si conoses de alguna librería, plataforma... donde se pueda aprender sobre redes neuronales evolutivas.
Si me refería a genéticos. En sí lo que estaba investigando sobre algoritmos para predecir series temporales y por lo que he estado viendo las redes recurrentes LSTM son las que mejor rendimiento tienen. De todos modos gracias por responder
Ok. Gracias por la info. He escuchado sobre las Transformers para analizar textos. Investigaré sobre su aplicación a las series temporales. 👍🏻
He encontrado muy poco sobre las series temporales con Transformers. Pero sin duda es un tema prometedor. Lo que hay que hacer investigar sobre su arquitectura para ver de qué modo se le puede pasar los datos a la red
En este mismo canal hay un vídeo que habla sobre una arquitectura parecida a los Transformers pero le agrega más flexibilidad en los output y en otros detalles. Todo depende de qué tan grande sea tu histórico, si es muy grande esta arquitectura será mejor. Se llama Perceiver-IO.