Imputation method based on recurrent neural networks for the internet of things

Vista sencilla de ítem
dc.contributor.advisorMejía Gutiérrez, Ricardospa
dc.contributor.authorRodríguez Colina, Sebastián
dc.coverage.spatialMedellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degreeseng
dc.creator.degreeMagíster en Ingenieríaspa
dc.creator.emailsrodri16@eafit.edu.cospa
dc.date.accessioned2018-07-19T12:38:21Z
dc.date.available2018-07-19T12:38:21Z
dc.date.issued2018
dc.descriptionEl Internet de las Cosas (IoT) es un nuevo paradigma tecnológico, en el cual sensores y objetos comunes, como electrodomésticos, se conectan e interactúan a través de la Internet -- Este nuevo paradigma, de la mano con técnicas de Inteligencia Artificial (AI) y técnicas modernas para el análisis de datos, hace posible el desarrollo de productos y servicios inteligentes; lo que promete revolucionar la industria y la forma de vida de los humanos -- Sin embargo, existen muchos problemas que deben ser solucionados para poder contar con productos y servicios confiables basados en el IoT -- Dentro de estos problemas, el problema de los datos faltantes impide la correcta aplicación de modernas técnicas the AI y análisis de datos en aplicaciones basadas en el IoT -- Este escrito presenta un análisis del problema de los datos faltantes en el contexto del IoT, así como métodos de imputación actuales propuestos a solucionar este problema -- Del análisis se concluye que las soluciones actuales tienen grandes limitaciones si se considera lo amplio del contexto de las applicaciones basadas en IoT -- El análisis también expone que no hay un marco experimental en común que pueda ser usado por los diferentes autores, y que los experimentos encontrados carecen de reproducibilidad y no consideran adecuadamente como el problema de los datos faltantes se presenta en el contexto en particular del IoT -- De acuerdo con lo anterior, este escrito presenta dos propuestas principales: i) un marco experimental que permite evaluar adecuadamente los métodos de imputación que se pretendan evaluar en este contexto; y ii) un método de imputación que es lo suficientemente general como para ser aplicado en los diferentes escenarios del IoT -- El método de imputación se basa en el uso de Redes Neuronales Recurrentes, una familia de métodos de aprendizaje supervisado que ha mostrado un buen desempeño explotando patrones de datos sequenciales y relaciones intrínsecas entre variablesspa
dc.description.abstractThe Internet of Things (IoT) refers to the new technological paradigm in which sensors and common objects, like household appliances, connect to and interact through the Internet -- This new paradigm, and the use of Artificial Intelligence (AI) and modern data analysis techniques, powers the development of smart products and services; which promise to revolutionize the industry and humans way of living -- Nonetheless, there are plenty of issues that need to be solved in order to have reliable products and services based on the IoT -- Among others, the problem of missing data posses great threats to the applicability of AI and data analysis to IoT applications -- This manuscript shows an analysis of the missing data problem in the context of the IoT, as well as the current imputation methods proposed to solve the problem -- This analysis leads to the conclusion that current solutions are very limited when considering how broad the context of IoT applications may be -- Additionally, this manuscript exposes that there is not a common experimental set up in which the authors have tested their proposed imputation methods; moreover, the experiments found in the literature, lack reproducibility and do not carefully consider how the missing data problem may present in the IoT -- Consequently, the reader will find two proposals in this manuscript: i) an experimental set up to properly test imputation methods in the context of the IoT; and ii) an imputation method that is general enough as to be applied to several IoT scenarios -- The latter is based on Recurrent Neural Networks, a family of supervised learning methods which have excel at exploiting patterns in sequential data and intrinsic association between the variables of dataspa
dc.formatapplication/pdfeng
dc.identifier.ddc620 R696Mspa
dc.identifier.urihttp://hdl.handle.net/10784/12523
dc.language.isospaspa
dc.publisherUniversidad EAFITspa
dc.publisher.departmentEscuela de Ingenieríaspa
dc.publisher.programMaestría en Ingenieríaspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.localAcceso abiertospa
dc.subjectDatos faltantesspa
dc.subjectInternet de las cosas (IOT)spa
dc.subjectModelos de datosspa
dc.subjectAnálisis de Datosspa
dc.subjectMétodos de imputaciónspa
dc.subjectRedes Neuronales Recurrentes (RNN)spa
dc.subject.keywordMultiple imputation (Statistics)spa
dc.subject.keywordNeural networks (Computer science)spa
dc.subject.keywordMachine theoryspa
dc.subject.keywordData encryption (computer science)spa
dc.subject.keywordArtificial intelligencespa
dc.subject.keywordSupervised learning (Machine learning)spa
dc.subject.keywordMachine learningspa
dc.subject.keywordData miningspa
dc.subject.lembIMPUTACIÓN MÚLTIPLE (ESTADÍSTICA)spa
dc.subject.lembREDES NEURALES (COMPUTADORES)spa
dc.subject.lembTEORÍA DE LAS MÁQUINASspa
dc.subject.lembCIFRADO DE DATOS (iNFORMÁTICA)spa
dc.subject.lembINTELIGENCIA ARTIFICIALspa
dc.subject.lembAPRENDIZAJE SUPERVISADO (APRENDIZAJE AUTOMÁTICO)spa
dc.subject.lembAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)spa
dc.subject.lembMINERÍA DE DATOSspa
dc.titleImputation method based on recurrent neural networks for the internet of thingsspa
dc.typemasterThesiseng
dc.typeinfo:eu-repo/semantics/masterThesiseng
dc.type.hasVersionacceptedVersioneng
dc.type.localTesis de Maestríaspa

Archivos

Bloque original
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
Sebastián_RodríguezColina_2018.pdf
Tamaño:
2.88 MB
Formato:
Adobe Portable Document Format
Descripción:
Texto completo
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.5 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría en Ingeniería (tesis)