Palabras clave
aprendizaje de pronósticos
planificación
producción.
Cómo citar
Resumen
Las redes neuronales en la actualidad se han constituido una herramienta tecnológica muy importante debido a su contribución en el desarrollo de problemas relacionados con los aprendizajes de pronósticos en la planificación de la producción para cumplir la demanda potencial. El objetivo de la investigación consiste en aplicar las redes neuronales artificiales para medir el aprendizaje profundo en pronósticos. El estudio es cuantitativo de diseño preexperimental. Se aplicó una prueba con pre test y pos test sobre lenguaje de programación Visual Net de red neuronal para cada tipo de aprendizaje programado.
Los resultados basados en los promedios respecto al aprendizaje conceptual de pronóstico y el método de red neuronal fueron sustanciales, mientras con el aprendizaje automático y profundo contribuyeron al desarrollo del problema, en cuanto al aprendizaje profundo de las conductas de los alumnos es importante y los resultados de la aplicación de pronósticos ayudaron a los cambios de la red neuronal en adquirir la capacidad de aprender funciones más complejas. Concluyendo que las redes neuronales artificiales en el aprendizaje profundo de pronóstico mejoran sustancialmente los aprendizajes en conceptos, procedimientos y conductas las cuales con llevan a la empresa a minimizar los costos e incrementar utilidades por diversos conceptos.
Citas
[2] J. Velásquez. “Neuroscheme: un lenguaje para el modelamiento de redes neuronales artificiales”. Dyna, 72(147), pp. 75-83, 2005.
[3] E. Toro, D. Mejía, H. Salazar. “Pronóstico de ventas usando redes neuronales”. Scientia Et Technica, 10, (26), pp. 25-30, 2004. https://www.redalyc.org/articulo.oa?id=84911640006
[4] S. Hong Tang and Ch. Kit Ang, Predicting the Motion of a Robot Manipulator with Unknown Trajectories Based on an Artificial Neural Network. Mohd Khairol Anuar Bin Mohd Ariffin and Syamsiah Binti Mashohor, septiembre del 2014.
[5] J. A. Anderson, Redes Neuronales. México: Alfaomega Grupo Editor, 2007.
[6] A. Requena, R. Quintanilla, J. M. Bolarin, A. Vásquez, A. Bastidas, J. Zúñiga y L.M. Tomás. 2022. Nuevas Tecnologías y Comunicación de Atmosferas, para PYMEs. VI-3-4.
[7] G. A. Kirby, Kevin, Tutorial on Helmholtz Machine. Department of Computer Science, Northern Kentucky University, June 2006.
[8] R. F. López, and J. M. Fernández, Las redes neuronales artificiales: Netbiblo, 2008.
[9] A.A. Jiménez, C.Q. Muñoz, and F.P. Márquez, Machine learning, and neural network for maintenance management. Paper presented at the International Conference on Management Science and Engineering Management, 2017.
[10] R. López, Las Redes neuronales artificiales: fundamentos teóricos y aplicaciones prácticas. Oleiros, La Coruña Netball, 2019.
[11] Y. LeCun, Y. “Bengio, and G. Hinton, Deep learning.” Nature, 521(7553), 436-444. 2015. https://doi.org/10.1038/nature14539
[12] F. Marton, and R. Säljö, “On qualitative differences in learning. II. Outcome as a function of the learner's conception of the task”. British Journal of Educational Psychology, 46, 128-148. 1976.
[13] J. Biggs, and K. F. Collins, Evaluating the quality of learning: The Solo Taxonomy. Nueva York: Academic Press, 1982.
[14] I. Goodfellow, Y. Bengio, and A. Courville, (2016). Deep Learning Adaptive Computation and Machine Learning Series).Estados Unidos: MIT Press,2016. Obtenido de https://www.deeplearningbook.org/contents/convnets.html.
[15] Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning.” Nature, 521(7553), 436-444, 2015.
https://doi.org/10.1038/nature14539.
