Métodos numéricos para el aprendizaje automatizado utilizando funciones de disimilitud

Abstract

En este documento se estudian distintos métodos para afrontar la resolución de problemas de optimización con funciones de disimilitud como función objetivo, en el contexto del aprendizaje automático, en concreto, su uso como modelo predictivo. Primero es necesario introducir los conceptos más importantes del aprendizaje automático, su historia y la variedad de problemas que existen en este campo. También se destaca su creciente importancia en la actualidad y los distintos campos de aplicación posibles. El uso del aprendizaje automático como predictor requiere el tratamiento de cantidades enormes de datos, esto puede ralentizar enormemente el tiempo de ejecución de los algoritmos empleados, lo cual para ciertas aplicaciones es un factor determinante. Es por esto por lo que surge la necesidad de estudiar diferentes algoritmos que puedan reducir los tiempos de ejecución, en concreto se estudiará el algoritmo FISTA, y una serie de variaciones de este, que pretenden ser versiones más rápidas. Para ello es necesario tener en cuenta las características específicas del problema a resolver, y del set de datos empleado, por lo que es posible que el algoritmo deba ser modificado para diferentes aplicaciones. Por último, se pondrán en práctica los algoritmos estudiados para un problema real concreto de gran relevancia en la actualidad, en este caso se tratará de predecir la demanda de energía eléctrica en España y se realizará un análisis de los resultados obtenidos.

In this paper we study different methods for solving optimization problems with dissimilarity functions as the cost function, in the context of machine learning, in particular, its use for making predictions. First it is necessary to introduce the most important concepts of machine learning, its history and the variety of problems that exist in this field. Its growing importance today and the various possible fields of application are also highlighted. The use of machine learning as a predictor requires the processing of huge amounts of data, which can greatly slow down the execution time of the algorithms used, which for certain applications is a determining factor. This is why the need arises to study different algorithms that can reduce execution times, in particular the FISTA algorithm will be studied, and a series of variations of this, which are intended to be faster versions. For this it is necessary to take into account the specific characteristics of the problem to be solved, and of the data set used, so it is possible that the algorithm must be modified for different applications. Finally, the algorithms studied will be put into practice for a specific real problem of great relevance today, in this case it will try to predict the demand for electricity in Spain and an analysis of the results obtained will be carried out.