La respuesta realmente solo depende de qué tipo de serie de tiempo tiene la intención de usar.
Teóricamente, sería posible convolucionar un conjunto de detectores de características a través del tiempo; y la detección de características sería algo invariable en tiempo y duración. Esto significa que las características aprendidas se reconocerían en la serie temporal independientemente de cuándo y durante cuánto tiempo ocurran (si la capacitación se realizó correctamente).
Sin embargo, en los conjuntos de datos de series de tiempo real, muchas características están temporalmente correlacionadas, es decir, ocurren una tras otra en una secuencia específica, y esta información puede perderse dependiendo del tamaño y la forma de las operaciones de agrupación utilizadas. Si se usa alguna forma de recurrencia en las capas superiores para imponer la estructura temporal, la CNN podría ser efectiva.
- ¿Por qué la IA es más importante para IoT que las ideas de big data?
- ¿Cuál es la dimensión VC de una red neuronal?
- Cómo ajustar mejor la tasa de aprendizaje de acuerdo con el conjunto de datos en una red neuronal profunda
- ¿Qué distingue a las llamadas 'redes neuronales profundas' de las redes neuronales de antaño? ¿Por qué están mucho mejor ahora?
- ¿De qué manera pueden trabajar juntos Q-learning y las redes neuronales?
