Aplicación de redes neuronales artificiales para el pronóstico de precios de café

Karen Shirley Cardozo Rueda

doi:10.24054/rcta.v1i39.1403

Autores/as

Karen Shirley Cardozo Rueda Fundación universitaria de San Gil

DOI:

https://doi.org/10.24054/rcta.v1i39.1403

Palabras clave:

Backpropagation, perceptrón, redes neuronales artificiales, predicción de precio

Resumen

En este trabajo se aprovecha la capacidad para realizar pronósticos con modelos no lineales que poseen las redes neuronales artificiales (ANN), con información estructurada y modelos supervisados, empleándolas en la predicción de precios de café de tipo arábico. Sirviendo como apoyo a los pequeños y medianos empresarios cafeteros que cultivan este producto. Además, el modelo de pronóstico se encuentra establecido por el valor del cierre del dólar y del precio de café. También, se realiza el desarrollo teórico de los fundamentos básicos de las redes neuronales Backpropagation y ajuste de pesos, se realiza la caracterización y luego se realiza una simulación de ellas en el lenguaje de programación Python con las librerías de Numpy y Matploit. Los resultados evidencian la cantidad de aciertos que se consiguen a partir de este modelo y su desempeño en el aprendizaje en la reducción de errores

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Aidan, W. (2019), “Inroduction to Neural Networks in Python”, towards data science.

Astray, G., Castillo, J. X., Ferreiro-Lage, J. A., Galvez, J. F., & Mejuto, J. C. (2010), “Artificial neural networks: a promising tool to evaluate the authenticity of wine Redes”. CyTA – Journal of Food, vol. 8(1).

Basogain, X. (2008), Redes neuronales artificiales y sus aplicaciones Dpto. Ingeniería de Sistemas y Automática, Escuela Superior de Ingeniería Bilbao.

Buscema, M.b (1998), “Back propagation neural networks”, Subs. use & misuse, vol.33 (2), p.p 233-270.

Calvo, J., Guzman, M. and Ramos, D. (2018), Machine Learning, Una Pieza Clave En La Transformación De Los Modelos De Negocio, Management Solutions.

da Silva I.N., Hernane Spatti D., Andrade Flauzino R., Liboni L.H.B., dos Reis Alves S.F. (2016), “Artificial Neural Network Architectures and Training Processes”, Artificial Neural Networks. Springer, Cham, pp 21-28.

Desai, S. D., Giraddi, S., Narayankar, P., Pudakalakatti, N. R., & Sulegaon, S. (2019), “Back-propagation neural network versus logistic regression in heart disease classification”, Advanced computing and communication technologies, pp. 133-144, Singapore.

Djilali, L., Suarez, O. J., Sanchez, E. N., Alanis, A. Y., & Garcia, A. P. (2018). Real-time neural backstepping control for a helicopter prototype. Paper presented at the 2017 IEEE Latin American Conference on Computational Intelligence, LA-CCI 2017 - Proceedings, , 2017-November 1-6. doi:10.1109/LA-CCI.2017.8285689

Farizawani, A. G., Puteh, M., Marina, Y., & Rivaie, A. (2020), “A review of artificial neural network learning rule based on multiple variant of conjugate gradient approaches”, Journal of Physics: Conference Series, Vol. 1529, No. 2, p.p 022040.

Nielsen, M. A. (2015), neural networks and deep learning, CA: Determination press, Vol. 2018, San Francisco.

Islam, Mohaiminul & Chen, Guorong & Jin, Shangzh,(2019), “An Overview of Neural Network. American Journal of Neural Networks and Applications”, Vol. 5, No. 1, pp. 7-11. doi: 10.11648/j.ajnna.20190501.12

Jiang, Jingchao & Hu, Guobiao & Li, Xiao & Xu, Xun & Zheng, Pai & Stringer, Jonathan. (2019),“Analysis and Prediction of Printable Bridge Length in Fused Deposition Modelling Based on Back Propagation Neural Network”, Virtual and Physical Prototyping, vol. 14(3), p.p 253-266.

Villada, F., Muñoz, N., & García, E. (2012), “Aplicación de las Redes Neuronales al Pronóstico de Precios en el Mercado de Valores”, Inf. tecnol vol.23, no. 4, pp. 11-20.