Taller redes neuronales artificiales

Realizar la solución en Google Colab o en Jupyter y entregar el notebook con el código comentado y con el análisis a los resultados.

1. Clasificación binaria:

Clasificación forma de spiral.

  • Base de datos: spiral.csv.

  • Variables de entrada: X1 y X2.

  • Objetivo: accuracy de al menos un 98% en el conjunto de test.

Elaborar lo siguiente:

  • Gráfico de epoch vs Loss para el conjunto train y de test.

  • Accuracy del mejor modelo sobre el conjunto de test.

  • Gráfico con zonas de clasificación de acuerdo al modelo ajustado.

  • Determinar la función de activación para las capas ocultas con mayor eficiencia para clasificar.

  • Histograma de y_test y de y_pred.

2. Clasificación multiclase:

  • Base de datos: blobs.csv.

  • Variables de entrada: X1 y X2.

  • Objetivo: accuracy de al menos un 98% en el conjunto de test.

Elaborar lo siguiente:

  • Gráfico de epoch vs Loss para el conjunto train y de test.

  • Accuracy del mejor modelo sobre el conjunto de test.

  • Gráfico clasificando los datos con la predicción del modelo.

  • Determinar la función de activación para las capas ocultas con mayor eficiencia para clasificar.

  • Histograma de y_test y de y_pred.

3 Clasifiación binaria compras por internet:

  • Base de datos: Social_Network_Ads.csv.

  • Variables de entrada: Gender, Age y EstimatedSalary.

  • Objetivo: accuracy de al menos un 95% en el conjunto de test.

Elaborar lo siguiente:

  • Análisis cualitativo de las variables.

  • Gráfico de epoch vs Loss para el conjunto train y de test.

  • Accuracy del mejor modelo sobre el conjunto de test.

  • Gráfico clasificando los datos con la predicción del modelo.

  • Determinar la función de activación para las capas ocultas con mayor eficiencia para clasificar.

  • Histograma de y_test y de y_pred.

4. Pronóstico de series de tiempo:

Realizar un pronóstico a una serie de tiempo descargando los datos desde Yahoo Finance. Puede elegir entre usar datos con frecuencia diaria o semanal.

Elaborar lo siguiente:

  • Gráfico de epoch vs Loss para el conjunto train y de test.

  • Determinar la función de activación para las capas ocultas con mayor eficiencia para clasificar.

  • Comparación de la predicción sobre el conjunto de test.

  • Pronosticar por fuera de la muestra.