Redes recurrentes

Abstract

Las redes neuronales recurrentes, aunque fueron concebidas en el siglo pasado, han ganado mucho protagonismo en los últimos años gracias a los avances tecnológicos que se han producido. Su habilidad para modelar secuencias encontrando patrones que se repiten dentro de éstas, ha hecho que este tipo de red neuronal se aplique en una gran diversidad de tareas que todos conocemos y usamos, como puede ser traducir un texto o pronosticar el clima de una ciudad. El objetivo de este trabajo ha sido introducir estas redes recurrentes. En primer lugar repasando a qué campo de la ciencia pertenecen, después explicando el funcionamiento de una red neuronal, para finalmente profundizar en nuestro tema del trabajo. Para ello, primero se ha indagado en la teoría que lleva detrás y después hemos terminado realizando una aplicación práctica utilizando el lenguaje de programación R junto con la librería Keras, que consistía en realizar una predicción de la temperatura del aire en una ciudad para catorce días, con ayuda de un histórico de datos acerca de la presión atmosférica, la humedad o la temperatura, entre otras más variables. Los resultados de esta práctica nos llevaron a concluir que cuando tenemos datos secuenciales, es decir, que siguen un orden específico y que por tanto tiene sentido analizarlos de forma conjunta, el aplicar redes recurrentes puede ser una gran opción para capturar patrones que se repitan en el tiempo y que los datos sean tratados teniendo en cuenta el contexto en el que se presentan.

Recurrent neural networks, although they were conceived in the last century, they have gained much prominence in recent years thanks to the technological advances that have taken place. Their ability to model sequences by finding repeating patterns within them has led to the application of this type of neural network in a wide range of tasks that we all know and we use, such as translating a text or forecasting the weather in a city. The aim of this work has been to introduce these recurrent networks. First of all, by reviewing the field of science to which they belong, then explaining how a neural network works, and finally going deeper into the subject of our work. To do this, we first explored the theory behind it and then we ended up carrying out a practical application using the R programming language together with the Keras library, which consisted of making a prediction of the air temperature in a city for fourteen days, with the help of a history of data on atmospheric pressure, humidity and temperature, among other variables. The results of this practice led us to conclude that when we have sequential data, that is, data that follow a specific order and therefore it makes sense to analyse them together, the application of recurrent networks can be a great option to capture patterns that repeat over time and that the data are treated taking into account the context in which they are presented.