[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"detail-sidebar-cat-0-es-110":3,"doc-seo-290842-110":49,"doc-detail-290842-es":124},{"code":4,"msg":5,"data":6},0,"success",[7,13,17,21,25,29,33,37,41,45],{"id":8,"doc_module":4,"doc_module_name":9,"category_name":10,"show_sort_weight":11,"slug":12},39,"Document","Cómic",60,"comic",{"id":14,"doc_module":4,"doc_module_name":9,"category_name":15,"show_sort_weight":11,"slug":16},43,"Estilo de Vida","lifestyle",{"id":18,"doc_module":4,"doc_module_name":9,"category_name":19,"show_sort_weight":11,"slug":20},38,"Examen","exam",{"id":22,"doc_module":4,"doc_module_name":9,"category_name":23,"show_sort_weight":11,"slug":24},44,"General","general",{"id":26,"doc_module":4,"doc_module_name":9,"category_name":27,"show_sort_weight":11,"slug":28},41,"Investigación e Informes","research-report",{"id":30,"doc_module":4,"doc_module_name":9,"category_name":31,"show_sort_weight":11,"slug":32},37,"Literatura","literature",{"id":34,"doc_module":4,"doc_module_name":9,"category_name":35,"show_sort_weight":11,"slug":36},22,"Relatos y Novelas","story-novel",{"id":38,"doc_module":4,"doc_module_name":9,"category_name":39,"show_sort_weight":11,"slug":40},42,"Religión y Espiritualidad","religion-spirituality",{"id":42,"doc_module":4,"doc_module_name":9,"category_name":43,"show_sort_weight":11,"slug":44},40,"Salud y Atención Médica","healthcare",{"id":46,"doc_module":4,"doc_module_name":9,"category_name":47,"show_sort_weight":11,"slug":48},24,"Tecnología","technology",{"code":4,"msg":50,"data":51},"ok",{"site_id":52,"language":53,"slug":54,"title":55,"keywords":56,"description":57,"schema_data":58,"social_meta":117,"head_meta":119,"extra_data":121,"updated_unix":123},110,"es","cloud-based-implementation-of-distributed-machine-learning-algorithms-for-time-series-forecasting-doctoral-thesis","Cloud-based Implementation of Distributed Machine Learning Algorithms for Time Series Forecasting - Tesis Doctorado","","El pronóstico de series de tiempo es esencial para la toma de decisiones en áreas críticas, y los algoritmos de aprendizaje automático se han consolidado como un enfoque predominante. Para desarrollar soluciones, producir resultados rápidos permite refinar modelos dentro de marcos temporales adecuados. El uso de Big Data incrementa la complejidad al requerir gran capacidad de cómputo. En este contexto, la computación en la nube acelera el desarrollo de soluciones de pronóstico. El objetivo es alcanzar resultados de vanguardia con mayor velocidad de entrenamiento mediante algoritmos probados y recursos avanzados. Las contribuciones incluyen implementaciones en la nube, incluida una basada en TPU para una arquitectura Transformer canónica, con menores tiempos de entrenamiento y buen desempeño predictivo frente al estado del arte.",{"@graph":59,"@context":116},[60,77,99],{"@type":61,"itemListElement":62},"BreadcrumbList",[63,68,71,74],{"item":64,"name":65,"@type":66,"position":67},"https://docshare.wps.com","Home","ListItem",1,{"item":69,"name":9,"@type":66,"position":70},"https://docshare.wps.com/es/document/",2,{"item":72,"name":27,"@type":66,"position":73},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":75,"name":55,"@type":66,"position":76},"https://docshare.wps.com/es/document/cloud-based-implementation-of-distributed-machine-learning-algorithms-for-time-series-forecasting-doctoral-thesis/290842/",4,{"url":75,"name":55,"@type":78,"image":79,"author":84,"headline":55,"publisher":87,"fileFormat":90,"inLanguage":53,"description":57,"dateModified":91,"datePublished":92,"encodingFormat":90,"isAccessibleForFree":93,"interactionStatistic":94},"DigitalDocument",{"url":80,"@type":81,"width":82,"height":83},"https://docshare.wps.com/thumbnails/cloud-based-implementation-of-distributed-machine-learning-algorithms-for-time-series-forecasting-doctoral-thesis/290842.png","ImageObject",300,407,{"name":85,"@type":86},"Skyler","Person",{"url":64,"name":88,"@type":89},"DocShare","Organization","application/pdf","2026-10-08","2026-09-17",true,{"@type":95,"interactionType":96,"userInteractionCount":98},"InteractionCounter",{"@type":97},"ViewAction",5,{"@type":100,"mainEntity":101},"FAQPage",[102,108,112],{"name":103,"@type":104,"acceptedAnswer":105},"Cuál es el objetivo principal de la tesis?","Question",{"text":106,"@type":107},"Lograr resultados de nivel estado del arte en pronóstico de series de tiempo con gran velocidad de entrenamiento, aprovechando algoritmos de aprendizaje automático comprobados y recursos avanzados de computación en la nube.","Answer",{"name":109,"@type":104,"acceptedAnswer":110},"Qué dificultades introduce el uso de Big Data en este trabajo?",{"text":111,"@type":107},"Complica el refinamiento de modelos porque exige recursos de cómputo igualmente masivos para manejar la gran cantidad de datos.",{"name":113,"@type":104,"acceptedAnswer":114},"Cuáles son las principales contribuciones reportadas en la tesis?",{"text":115,"@type":107},"Incluyen la implementación en la nube de tres arquitecturas de aprendizaje automático usadas en investigación reciente, la primera implementación basada en TPU de una arquitectura Transformer canónica para pronóstico de series de tiempo, y el reporte de menores tiempos de entrenamiento con buen desempeño predictivo frente al estado del arte.","https://schema.org",{"og:url":75,"og:type":118,"og:title":55,"og:site_name":88,"og:description":57},"article",{"robots":120,"canonical":75},"index,follow",{"doc_id":122,"site_id":52},290842,1790718146,{"code":4,"msg":5,"data":125},{"doc_id":122,"user_id":126,"nickname":85,"user_avatar":127,"doc_module":4,"category_id":26,"category_name":27,"doc_title":55,"doc_description":57,"doc_content":128,"file_id":129,"file_url":130,"file_type":131,"file_size":132,"view_count":98,"is_deleted":4,"is_public":67,"is_downloadable":67,"audit_status":67,"page_count":133,"language":134,"language_code":53,"site_id":52,"html_lang":53,"table_of_contents":135,"faqs":136,"seo_title":137,"seo_description":57,"update_tm":138,"read_time":139},2336464648746,"https://ap-avatar.wpscdn.com/davatar_276721f389ce27ea32af1340a28f341c","Universidad Michoacana de San Nicol´as de Hidalgo  \nFacultad de Ingenier´ıa El´ectrica Divisi ´on de Estudios de Posgrado  \nCloud-based Implementation of Distributed Machine Learning Algorithms for Time Series Forecasting  \nTESIS  \nQue para obtener el grado de  \nDOCTOR EN CIENCIAS EN INGENIER´IA EL´ECTRICA  \nPresenta  \nJos´e Luis Garc´ıa Nava  \nDirector de Tesis  \nDr. Juan Jose´ Flores Romero  \nCo-Director de Tesis  \nDr. F´elix Calder´on Solorio  \nMorelia, Michoac´an. Febrero de 2023  \nii  \nAbstract  \nTime series forecasting is essential to decision-making in crucial domains and machine learning algorithms have consolidated as a predominant approach to it. When developing machine-learning solutions, the capability to produce fast results is crucial to progressively refine a model within adequate time frames. Having to deal with Big Data makes this situation more challenging as massive data demands equally massive computing power. In this context, cloud computing has been globally used to accelerate the development of forecasting solutions based on machine learning. The aim of this Thesis is to achieve state-of-the-art results in time series forecasting (in terms of accuracy) with remarkably increased speed in model training by leveraging proven machine learning algorithms and advanced cloud computing resources. The main contributions of this Thesis are as follows. (1) A cloud-based implementation of the three machine learning architectures that account for most of the recent international research on time series forecasting. (2) The first TPU-based implementation of a canonical Transformer architecture for time series forecasting reported in the literature. (3) This architecture reports the lowest training times found in the literature on two predominant, standardized datasets for global, multi-horizon time series forecasting, while achieving good predictive performance on those datasets when compared to state-ofthe-art models.  \nKeywords: deep learning, Long Short-Term Memory network, EncoderDecoder with Attention network, Transformer network, Tensor Processing Unit.  \niv  \nResumen  \nEl pron´ostico de series de tiempo es esencial para importantes ´areas deconocimiento y los algoritmos de aprendizaje autom´atico se han consolidado como un m´etodo predominante para realizarlo. Al desarrollar soluciones deaprendizaje autom´atico, la capacidad para producir resultados r´apidos es crucial para el refinamiento progresivo de modelos dentro de horizontes de tiempo adecuados. El trabajo con datos masivos complica a´un m´as esta situaci´on ya que exige el uso de recursos de c´omputo igualmente masivos. En este contexto, la computaci´on en la nube ha sido utilizada globalmente para acelerar el desarrollo de soluciones de pron´ostico basadas en aprendizajeautom´atico. El objetivo de esta Tesis es lograr resultados al nivel del estado del arte en pron´ostico de series de tiempo (en t´erminos de exactitud) con gran velocidad en el entrenamiento de modelos mediante el uso de algoritmos deaprendizaje autom´atico comprobados y avanzados recursos de computaci´onen la nube. Las principales contribuciones de esta Tesis son tres. (1) La implementaci´on en la nube de las tres arquitecturas de aprendizaje autom´aticom´as utilizadas recientemente en la investigaci´on internacional de pron´ostico de series de tiempo. (2) La primera implementaci´on basada en Unidad de Procesamiento Tensorial de una arquitectura Transformer can´onica parapron´ostico de series de tiempo reportada en la literatura. (3) Esta arquitectura reporta los tiempos de entrenamiento m´as bajos en la literatura para dos conjuntos de datos que son utilizados de manera predominante para el pron´ostico global y multi-horizonte de series de tiempo. Simult´aneamente, esta arquitectura logra un buen desempe˜no predictivo en comparaci´on con el estado del arte.  \nPalabras clave: aprendizaje profundo, red con memoria larga de cortoplazo, red codificador-decodificador con atenci´on, red Tra","cbCailQ1T5mUC32S","https://ap.wps.com/l/cbCailQ1T5mUC32S","pdf",9043285,190,"Spanish","# Resumen\n# Agradecimientos","[{\"question\":\"Cuál es el objetivo principal de la tesis?\",\"answer\":\"Lograr resultados de nivel estado del arte en pronóstico de series de tiempo con gran velocidad de entrenamiento, aprovechando algoritmos de aprendizaje automático comprobados y recursos avanzados de computación en la nube.\"},{\"question\":\"Qué dificultades introduce el uso de Big Data en este trabajo?\",\"answer\":\"Complica el refinamiento de modelos porque exige recursos de cómputo igualmente masivos para manejar la gran cantidad de datos.\"},{\"question\":\"Cuáles son las principales contribuciones reportadas en la tesis?\",\"answer\":\"Incluyen la implementación en la nube de tres arquitecturas de aprendizaje automático usadas en investigación reciente, la primera implementación basada en TPU de una arquitectura Transformer canónica para pronóstico de series de tiempo, y el reporte de menores tiempos de entrenamiento con buen desempeño predictivo frente al estado del arte.\"}]","Cloud-based Implementation of Distributed Machine Learning Algorithms for Time Series Forecasting - Tesis Doctorado | PDF",1789642766,293]