He visitado tu página y he leído todo lo que has estudiado y has hecho. Por otro lado, también sigo todos tus vídeos y son muy buenos. La verdad, luego de todo eso, siento que sos una gran inspiración y un ejemplo a seguir. Gracias por darnos una mano y mostrarnos una alternativa. Saludos.
Buenas noches quisiera saber cuantos datos se necesitan para que se tenga una buena prediccion (FORECAST) y con cuantas epocas son necesarias para aplicar en LSTM MATLAB gracias
Muy interesante! Una pregunta, este tipo de modelos también son aplicables para estimar una señal utilizando múltiples covariables pero sin considerar datos pasados de la señal objetivo? Saludos!
Hola! En principio sí podrías intentar predecir la variable objetivo sin incluirla a la entrada del modelo como covariable. Todo depende de tu set de datos. Habría que entrenarlo y compararlo con un modelo en donde uses la variable objetivo a la entrada, para ver cuál de los dos alcanza el mejor desempeño. Un saludo!
No necesariamente las redes transformer son la opción natural. Aunque tienen una mayor capacidad de memoria de corto y largo plazo, son redes que contienen demasiados parámetros y que en ocasiones están sobredimensionadas para las necesidades que encontramos en el caso de predicciones con series de tiempo. Usualmente las series de tiempo son un tipo de dato de menor complejidad en comparación con, por ejemplo, el texto escrito (para el cual sí resultan ideales las redes transformer) y en parte por esto las Redes LSTM resultan adecuadas, pues no son modelos demasiado complejos, requieren menor tiempo de entrenamiento en comparación con las redes transformer y requieren menos recursos computacionales, lo que las hace ideales para predicciones casi en tiempo real. Un saludo!
@@codificandobits entiendo. Entonces uno debería primero porbar los modelos LSTM y solo probar con una red transformer si no alcanzo el performance necesario.
🔥🔥Academia Online: codificandobits.com/ 🔥🔥
🔥🔥Asesorías y formación personalizada: codificandobits.com/servicios/ 🔥🔥
Hola los cursos dan certificados?
He visitado tu página y he leído todo lo que has estudiado y has hecho. Por otro lado, también sigo todos tus vídeos y son muy buenos. La verdad, luego de todo eso, siento que sos una gran inspiración y un ejemplo a seguir. Gracias por darnos una mano y mostrarnos una alternativa. Saludos.
Wow Juan Camilo muchas gracias por tu comentario... Esto me motiva muchísimo a seguir generando este tipo de contenido. Un saludo!
Te pasa bro, impresionante video de verdad te mereces mucho mas!!!
esperando con ganas gracias
Exelente, había estado usando un modelo multivariado mutistep y no lo sabía. Es bueno conocer bien la teoría.
:) :) saludos!
Esperando el estreno 🎉🎉🎉
magnifica presentación
Me encanta tu canal, me es de mucha ayuda para aprender
Gracias por tu comentario, esto me motiva a seguir generando este tipo de contenido. Un saludo!
Animo, te seguimos.
Gracias por tu comentario Juan. Un saludo!
@@codificandobits a tí, por compartir el contenido de forma precisa.
Espero poder disponer de tiempo para aprender más.
Buenísimo el video, quedo muy atento a los videos de las implementaciones, me interesa la multi-step
Claro que sí Camilo, ya pronto vienen los demás videos de la serie. Un saludo!
Gracias chamo
Buenas noches quisiera saber cuantos datos se necesitan para que se tenga una buena prediccion (FORECAST) y con cuantas epocas son necesarias para aplicar en LSTM MATLAB gracias
Hola colegas, algún curso para predicciones temporales mediante Redes neuronales implementado en R project
Muy interesante!
Una pregunta, este tipo de modelos también son aplicables para estimar una señal utilizando múltiples covariables pero sin considerar datos pasados de la señal objetivo?
Saludos!
Hola! En principio sí podrías intentar predecir la variable objetivo sin incluirla a la entrada del modelo como covariable.
Todo depende de tu set de datos. Habría que entrenarlo y compararlo con un modelo en donde uses la variable objetivo a la entrada, para ver cuál de los dos alcanza el mejor desempeño. Un saludo!
@@codificandobits Muchas gracias por tu respuesta!
Hay algo que no entiendo, no se supone que las redes transformers son la opción natural para este tipo de problemas? Por qué usar redes LSTM?
No necesariamente las redes transformer son la opción natural. Aunque tienen una mayor capacidad de memoria de corto y largo plazo, son redes que contienen demasiados parámetros y que en ocasiones están sobredimensionadas para las necesidades que encontramos en el caso de predicciones con series de tiempo.
Usualmente las series de tiempo son un tipo de dato de menor complejidad en comparación con, por ejemplo, el texto escrito (para el cual sí resultan ideales las redes transformer) y en parte por esto las Redes LSTM resultan adecuadas, pues no son modelos demasiado complejos, requieren menor tiempo de entrenamiento en comparación con las redes transformer y requieren menos recursos computacionales, lo que las hace ideales para predicciones casi en tiempo real.
Un saludo!
@@codificandobits entiendo. Entonces uno debería primero porbar los modelos LSTM y solo probar con una red transformer si no alcanzo el performance necesario.