[pyar] Consulta: Redes Neuronales For Dummies?

[Kiko]

El 23 de febrero de 2015, 23:44, Jairo Trad <frodobolsonxx en gmail.com>
escribió:

> Gracias por las respuestas! No puse el problema porque pense que estaba de
> mas :P Es una regresión, supervisada.
>
> La cosa es asi:
>
> Tengo que estimar radiación solar usando otros datos climáticos,
> actualmente tengo un modelo conocido (que es una regresión lineal) que toma
> temperatura mínima y máxima y devuelve radiación. La cuestión es que este
> modelo trae un error promedio del 17% que tiene picos de hasta un 70% en
> los días en los que llueve y hace calor.
>
> Por otro lado, tengo dos datos que son relevantes a la Radiación solar, la
> humedad, minima y maxima, y un dato complicado que es la nubosidad, que lo
> tengo como un dato discreto, osea se si hay nada, pocas o muchas nubes.
>

Quizá podrías usar las nubes como pesos para hacer una estimación por
mínimos cuadrados:
http://statsmodels.sourceforge.net/stable/examples/notebooks/generated/wls.html

Por otra parte, para hacer regresión no solo existen redes neuronales,
podrías usar svr/svm (busca en sklearn). Hay unas redes especiales que se
llaman ELM (Extreme learning machines) que son muy 'baratas' de entrenar
(comparado con las SVMs, por ejemplo) y dan buenos resultados.

Ciñéndonos un poco más a la física del problema, podrías usar datos de
modelos atmosféricos para complementar los datos que ya tienes, los modelos
atmosféricos ofrecen salidas de nubosidad, radiación,... Dependiendo de la
zona del mundo en la que te encuentres podrías usar datos de modelos
globales con buena resolución espacial (CSFR, MERRA, ERA INTERIM,...). Otra
opción es usar directamente información de imágenes satelitales (más
complicado de conseguir). La temperatura se puede considerar como un proxy
(una medida indirecta de la radiación) y no sería la mejor opción para tu
problema.

http://scikit-learn.sourceforge.net/dev/modules/classes.html#module-sklearn.svm
https://pypi.python.org/pypi?%3Aaction=search&term=machine+learning&submit=search
(busca las extreme learning machines entre los paquetes)
http://cfs.ncep.noaa.gov/cfsr/
http://gmao.gsfc.nasa.gov/merra/
http://www.ecmwf.int/en/research/climate-reanalysis/era-interim



>
> Hay varios papers sobre el tema:
> http://www.sciencedirect.com/science/article/pii/S0960148198000652
> http://www.sciencedirect.com/science/article/pii/S1364032113005959
> http://www.sciencedirect.com/science/article/pii/S0306261902000168
>
> Saludos, Jairo
>
> El 23 de febrero de 2015, 12:38, Kiko <kikocorreoso en gmail.com> escribió:
>
>
>>
>> El 23 de febrero de 2015, 16:12, Jairo Trad <frodobolsonxx en gmail.com>
>> escribió:
>>
>>> Hola Lista, como va? Molesto por que anduve googleando bastante sobre
>>> este tema y no encontre nada concreto.
>>>
>>> Estoy trabajando en un problema que SÉ que se resuelve con redes
>>> neuronales. La cuestión es que, aunque hay muchos papers, no encuentro una
>>> implementación concreta de una red para este problema ni tampoco encuentro
>>> una Guia piola para arrancar con redes neuronales yo... Entonces la
>>> pregunta seria:
>>>
>>> 1) Que me recomiendan para empezar a encarar el tema de redes neuronales?
>>>
>>
>> No que yo conozca. Los que conozco enseguida se complican mucho y no son
>> nada buenos para iniciarse.
>>
>>
>>> 2) Hay algún tutorial Hands On del tema?, en python si se puede...
>>>
>>
>> Para empezar a trastear con redes básicas
>> http://nbviewer.ipython.org/github/masinoa/machine_learning/blob/master/04_Neural_Networks.ipynb
>>
>>
>>> 3) Existe alguna librería "por defecto" para redes neuronales en python?
>>>
>>
>> sklearn incluye alguna cosa simple:
>> http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Perceptron.html#sklearn.linear_model.Perceptron
>> En PyPI:
>> https://pypi.python.org/pypi?%3Aaction=search&term=neural&submit=search
>> Quizá PyBrain sea lo más estable y testeado en el mundo Python:
>> https://github.com/pybrain/pybrain
>> Algún binding para librerías en otros lenguajes (FANN,...)
>>
>> Una vez dicho esto, hablando de forma muy genérica, ¿por qué sabes que se
>> puede resolver con ANNs? Quizá, si expones el problema te puedan recomendar
>> otros algoritmos que no sean necesariamente ANNs y también sean válidos y
>> más sencillos de aplicar/entender. Las redes son un poco caja negra. Mis
>> experiencias siempre han sido que la navaja de Occam aplica y normalmente
>> se pueden obtener resultados similares con cosas mucho más sencillas.
>>
>>
>>>
>> Saludos, Jairo
>>>
>>
>> Saludos.
>>
>>
>>>
>>>
>>> --
>>> Jairo Trad
>>> ar.linkedin.com/in/ingjairotrad
>>>
>>> _______________________________________________
>>> pyar mailing list pyar en python.org.ar
>>> http://listas.python.org.ar/listinfo/pyar
>>>
>>> PyAr - Python Argentina - Sitio web: http://www.python.org.ar/
>>>
>>> La lista de PyAr esta Hosteada en USLA - Usuarios de Software Libre de
>>> Argentina - http://www.usla.org.ar
>>>
>>
>>
>> _______________________________________________
>> pyar mailing list pyar en python.org.ar
>> http://listas.python.org.ar/listinfo/pyar
>>
>> PyAr - Python Argentina - Sitio web: http://www.python.org.ar/
>>
>> La lista de PyAr esta Hosteada en USLA - Usuarios de Software Libre de
>> Argentina - http://www.usla.org.ar
>>
>
>
>
> --
> Jairo Trad
> ar.linkedin.com/in/ingjairotrad
>
> _______________________________________________
> pyar mailing list pyar en python.org.ar
> http://listas.python.org.ar/listinfo/pyar
>
> PyAr - Python Argentina - Sitio web: http://www.python.org.ar/
>
> La lista de PyAr esta Hosteada en USLA - Usuarios de Software Libre de
> Argentina - http://www.usla.org.ar
>
------------ próxima parte ------------
Se ha borrado un adjunto en formato HTML...
URL: <http://listas.python.org.ar/pipermail/pyar/attachments/20150224/04d29c62/attachment-0001.html>