Lección 4 del curso Pytorch Nivel Intermedio.
En la lección anterior vimos cómo resolver un problema de clasificación de sentimientos con Redes LSTM en PyTorch.
En esta lección veremos cómo usar PyTorch para crear, entrenar, validar y poner a prueba una Red LSTM capaz de generar pronósticos sobre Series de Tiempo.
Comencemos viendo entonces el problema a resolver y la manera como realizaremos la lectura y el pre-procesamiento del set de datos:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Así que el objetivo de esta práctica es construir una Red LSTM capaz de predecir un valor de temperatura a futuro, tomando como base registros históricos de 24 horas continuas.
Teniendo en cuenta este objetivo, acabamos de ver cómo realizar el pre-procesamiento del set de datos, que incluye la creación de bloques consecutivos de 24 horas junto con el escalamiento correspondiente.
Y tras completar esta etapa de pre-procesamiento ya contamos con un «Dataset» de PyTorch que nos permitirá alimentar la Red LSTM. Veamos entonces cómo crear, entrenar y validar éste modelo en PyTorch, así como la manera de generar predicciones sobre datos nuevos:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, la lógica de implementación de la Red LSTM así como su entrenamiento, validación y prueba es muy similar a la usada en lecciones anteriores. Así que, realmente podemos concluir que la mayor parte del trabajo al momento de crear modelos de Deep Learning en PyTorch estará centrada en el pre-procesamiento de los datos.
En este caso, el único aspecto adicional a tener en cuenta es al momento de generar las predicciones con el modelo entrenado: como la Red LSTM fue entrenada con datos escalados, las predicciones de temperatura generadas estarán igualmente escaladas. Así que se requiere realizar un escalamiento inverso de las predicciones para que los valores de temperatura predichos estén en la escala original.
Así que con todo lo que hemos visto hasta este momento en el curso PyTorch Nivel Básico y en estas 4 lecciones de este curso, hemos aprendido a usar PyTorch para crear diferentes modelos de Deep Learning. Entonces, lo único que nos resta es aprender a realizar la afinación de hiper-parámetros de un modelo de PyTorch, que será precisamente el tema de la próxima lección del curso.
Todas las lecciones del curso PyTorch Nivel Intermedio