Modelo dinámico para la generación de pronóstico usando redes neurales artificiales (RNA)
Tradicionalmente se pronostica utilizando métodos convencionales (regresión lineal, ARIMA), con su particular enfoque en los errores inherentes a cada método. La complejidad del entorno que afrontan organizaciones, sugiere el abordaje de una metodología que genere mayor precisión al momento de ha...
Guardado en:
| Autores principales: | , |
|---|---|
| Formato: | article |
| Lenguaje: | ES |
| Publicado: |
Universidad de Los Andes
2007
|
| Materias: | |
| Acceso en línea: | https://doaj.org/article/72acaf93fe2a44a195f6240cdede25bc |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | Tradicionalmente se pronostica utilizando métodos convencionales (regresión lineal, ARIMA), con su particular enfoque en los errores inherentes a cada método. La complejidad del entorno que afrontan organizaciones, sugiere el abordaje de una metodología que genere mayor precisión al momento de hacer estimaciones. El uso de máquinas de aprendizaje, en particular, de redes neurales, ha venido proliferándose debido a la masificación del uso de la computadora personal y a la aparición de herramientas de desarrollo cada vez más versátiles. Ahora bien, todo proceso que sea susceptible de ser vectorizado, puede ser abordado con éxito mediante el empleo de máquinas de aprendizaje. La construcción de un modelo dinámico para pronosticar permite alternativas de solución con niveles de incertidumbre mejores de los que suministra las técnicas convencionales. El programa que se utiliza para implementar el modelo, tiene como ventaja que no requiere conocimiento en programación por parte de los usuarios. Por tanto, es bastante sencillo introducir a los participantes en el mundo del pronóstico no convencional, con el objeto de apoyar la toma de decisiones. |
|---|