![Naren Castellon](/img/default-banner.jpg)
- 182
- 478 327
Naren Castellon
Panama
Приєднався 1 кві 2014
Data Science, Machine Learning, Actuario, Matemático
MLFlow Prophet Forecasting Time Series
La integración de Prophet con MLflow, una plataforma de código abierto para administrar el ciclo de vida de los modelos de aprendizaje automático, proporciona una solución poderosa para el seguimiento, gestión y reproducción de los modelos de Prophet. MLflow facilita la experimentación, el seguimiento de métricas y la implementación de modelos de Prophet en producción de manera eficiente y escalable.
Vamos aprender a:
1. Análisis exploratorio de datos
2. División de datos en Train y Test
3. Modelación con Prophet
4. Agregando autoregresivo
5. Evaluación del Modelo
6. Implementación con MLFlow
7. Agregando autoregresivo a MLFlow
8. Agregando forecast y visualización a MLFlow
Vamos aprender a:
1. Análisis exploratorio de datos
2. División de datos en Train y Test
3. Modelación con Prophet
4. Agregando autoregresivo
5. Evaluación del Modelo
6. Implementación con MLFlow
7. Agregando autoregresivo a MLFlow
8. Agregando forecast y visualización a MLFlow
Переглядів: 129
Відео
WordCloud Machine learning time series Forecasting
Переглядів 8712 годин тому
Para hacer un pronóstico de series temporales utilizando técnicas de Machine learning y combinarlo con un análisis de sentimientos a través de una técnica de WordCloud, se requiere un enfoque paso a paso que involucre tanto el procesamiento de la serie temporal como el análisis de sentimientos de los datos textuales asociados. En este contexto forecasting de series de tiempo con machine learnig...
MLFlow Forecasting Time Series
Переглядів 17014 годин тому
La combinación de AutoArima y MLflow es una estrategia poderosa que une la robustez de los modelos de series temporales con las capacidades de gestión y seguimiento de modelos de MLflow. Esta integración permite a los analistas y científicos de datos desarrollar, optimizar y desplegar modelos ARIMA de manera más eficiente y efectiva, especialmente en entornos donde la gestión del ciclo de vida ...
Forecasting Time Series Sentiment Analysis
Переглядів 21721 годину тому
El análisis de sentimientos implica el uso de técnicas de procesamiento de lenguaje natural para determinar el sentimiento o tono emocional detrás de un texto. Clasifica el sentimiento como positivo, negativo o neutral, brindando una comprensión más profunda de las opiniones y actitudes humanas. Por otro lado, los datos de series temporales consisten en observaciones registradas a intervalos re...
Informer Time Series Forecasting Model
Переглядів 99День тому
El modelo Informer es una arquitectura de redes neuronales diseñada específicamente para abordar el desafío de realizar pronósticos a largo plazo en series de tiempo. A diferencia de los modelos Transformer tradicionales, que pueden tener dificultades con secuencias muy largas, el modelo Informer ha sido optimizado para manejar estas secuencias de manera eficiente y precisa
Clustering Time Series
Переглядів 186День тому
La agrupación en series temporales es un enfoque que busca dividir un conjunto de series temporales en grupos o clústeres con características similares. A diferencia de otros métodos de análisis de series temporales que se centran en predecir valores futuros o detectar anomalías, la agrupación busca identificar patrones intrínsecos en los datos, aprenderemos a: 1. Procesamiento de datos 2. Clus...
Display Multimedia Streamlit
Переглядів 4914 днів тому
En esta ocasión vamos a desarrollar una aplicación con #streamlit y en donde aprenderemos a: 1. Cargar imágenes 2. Background imagen 3. Agregar Audio 4. Agregar Videos
End to End Deploy Machine learning model Time Series usando Flask
Переглядів 33914 днів тому
End to End Deploy Machine learning model Time Series - Se refiere al proceso de entrenar un modelo y ponerlo a disposición para su uso en un entorno de producción, donde puede recibir datos de entrada, realizar predicciones y proporcionar resultados de salida. Implica todos los pasos necesarios para hacer que el modelo sea funcional y accesible para los usuarios finales u otros sistemas. Que ap...
Databricks AutoArima Model
Переглядів 16714 днів тому
En esta ocasión vamos a usar #Databricks para realizar #forecasting con #autoarima, aprenderemos a: 1. Instalar librerías en Databricks 2. Construir modelo #Statsforecast 3. Entrenar el modelo 4. Realizar forecasting con 2 métodos 5. Evaluar modelo con #crossvalidation
Relaxing music - The perfect harmony of watching the rain fall
Переглядів 4914 днів тому
La armonía perfecta de ver la lluvia caer proporciona una sensación de tranquilidad y paz. Observar la lluvia cayendo suavemente del cielo puede ser una experiencia relajante y reconfortante para muchas personas. La lluvia, con su ritmo constante y suave, crea un ambiente sereno que invita a la reflexión y al descanso. Esta combinación de armonía y lluvia puede tener un efecto calmante en la me...
Visualización de data con Streamlit
Переглядів 14921 день тому
En esta ocasión vamos aprender a visualizar diferentes tipos de gráficos en nuestra apps usando #Streamlit
App Display DataFrame Streamlit
Переглядів 8028 днів тому
En esta ocasión vamos aprender a crear una aplicación con #streamlit, y aprenderemos a: 1. Mostrar un dataframe en nuestra aplicación 2. Crear columnas 3. Mostrar dataframe con la función table 4. Mostrar elementos de Json
App - Display Text Streamilit
Переглядів 94Місяць тому
En esta ocasión vamos a crear nuestra primera aplicación mostrando elemento de texto. Los elementos de texto son importante en una aplicación, porque no ayudara a mostrar y poder identificar lo que queremos representar en nuestra apps. Vamos aprender a: 1. Mostrar títulos 2. Mostrar encabezados 3. Agregar Markdown 4. Agregar ecuaciones con Latex 5. Mostrar fragmentos de códigos
02 - Conexión de PostgreSQL con Visual Code
Переглядів 91Місяць тому
Bienvenido al Curso de aprendizaje con el motor de base de datos #PostgreSQL para #DataScience, en esta ocasión vamos aprender a conectar el motor de bases de datos con Visual Code
Databricks Time Series Forecasting Machine Learning
Переглядів 510Місяць тому
Esta ocasión vamos hablar sobre Forecasting de Series de tiempo con Machine learning Pipeline usando Databricks, que vamos a aprender: 1. Crear Cluster en Databricks 2. Instalar librerías en Databricks 3. Construir Modelos con Pipeline para machine learning 4. Entrenar diferentes modelos XGBoost y Random Forest 5. Evaluar Modelos con Cross validation 6. Ver resultado algunos con MLFlow
01 - Descarga e Instalación de PostgresSQL
Переглядів 194Місяць тому
01 - Descarga e Instalación de PostgresSQL
LSTM vs NeuralProphet Forecasting Time Series
Переглядів 257Місяць тому
LSTM vs NeuralProphet Forecasting Time Series
SVR Multivariate Time Series Forecasting
Переглядів 225Місяць тому
SVR Multivariate Time Series Forecasting
Forecasting Price Bitcoin Multivariate AutoArima
Переглядів 2042 місяці тому
Forecasting Price Bitcoin Multivariate AutoArima
How to Remove the Background from Images
Переглядів 1442 місяці тому
How to Remove the Background from Images
Forecasting Time Series Kolmogorov Arnold Network: KAN
Переглядів 3352 місяці тому
Forecasting Time Series Kolmogorov Arnold Network: KAN
NeuralProphet Time Series Forecasting
Переглядів 5082 місяці тому
NeuralProphet Time Series Forecasting
Multiple Time Series LSTM Prophet TBATS
Переглядів 2552 місяці тому
Multiple Time Series LSTM Prophet TBATS
Machine Learning Pipeline for Time Series with Optuna
Переглядів 3742 місяці тому
Machine Learning Pipeline for Time Series with Optuna
Muy buen video. Donde puedo descargar el jupiter notebook?
Hola!! Lo puedes encontrar en mi repositorio... Si pasas me regalas unas start... Si puedes comparte... Saludos!!!
Excelente!!!
Gracias!!!
Buen video, pero ya no aparece el script en tu github: Modulo_20__Comparanod_Modelos_arima_lstm_Random_forest_prophet.ipynb. por favor si lo puedes compartir de nuevo
Hola!! Se ha cambiado el nombre: github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%20100.%20Comparando%20Arima_lstm_Random_forest_prophet.ipynb si puedes comparte!!!
Hola excelente video gracias,oye tienes la data ,si la tienes me la compartes porfa.
Gracias por comentar...!!! El dataset lo puedes encontrar aquí: github.com/narencastellon/Mi-Dataset Si puedes comparte el video... si pasas por GitHub... me dejas un start... Saludos
Gracias por su video ya que con ello podre analizar la sostenibilidad apícola de una zona
Gracias... Si puedes comparte... Saludos 💪
@@narencastellon si gracias lo compartiré mi tema de investigación
Wow que bien... Excelente!!!
Interesante!!!
Gracias... Saludos 💪
Gracias por sus videos. Mi Español es malo porque yo tuve Español por solomente cuatro años en mi escuela secundario. pero, cuando estoy mirando sus videos, es posible que estudiar el estadistico y Español.
Hola ...!!! Gracias por el comentario... Si puedes compartir el video sería genial... Saludos 💪💪
Excelente como siempre 👌
Muchas gracias
Hola como estás? como accedo al repositorio donde esta el notebook? si me ayudas con el link directo por favor
En mi repositorio puedes encontrarlo... Si pasas por Github me regalas un start... Saludos 💪💪
@@narencastellon eres un crack, muchas gracias
Muy entendible. Gracias.👍👍👍
Saludos... Si puede comparte . .!!
buena práctica saludos desde Ecuador
Muchas gracias... Si puede comparte... Saludos 💪
Profesor, eso lo tiene en su github?
Hola...!!! Si está en mi repositorio... Si pasas me dejas start 💪... Si puedes comparte el vídeo... Saludos 💪💪
El sistema esta mal porque debería haberte dado 1 ya que el primer paciente es maligno
Talvez me podrias decir como solucionarlo
El modelo no está mal, si te dió 1, entonces los clasificó mal, error tipo II. Si hubiera sido que lo clasificó como 0 cuando en verdad era 1, entonces se tiene el error tipo I.
@@narencastellon Disculpa las molestias me puedes explicar, porque segun el dataset el primer paciencia el diagnostico es maligno entonces deberia haberme dado el 1, y tambien porque cambieblos datos y siempre me da 0 :( disculpa
Hay varias razones por las cuales un modelo de aprendizaje automático podría estar clasificando incorrectamente tus datos. Algunas posibles explicaciones: 1. Datos desbalanceados: Si tus datos de entrenamiento tienen una distribución desigual entre las clases (por ejemplo, muchas más instancias de la clase 0 que de la clase 1), el modelo puede verse sesgado hacia la clase mayoritaria y tener dificultades para predecir la clase minoritaria. 2. Problema de datos mal etiquetados: Es posible que haya errores en las etiquetas de los datos de entrenamiento, lo que puede llevar a que el modelo aprenda patrones incorrectos. 3. Características irrelevantes o insuficientes: Si las características que estás utilizando para entrenar el modelo no son relevantes para la tarea de clasificación, o si faltan características importantes, el modelo puede no ser capaz de aprender los patrones correctamente. 4. Modelo inadecuado: Es posible que el modelo de aprendizaje automático que estás utilizando no sea el más adecuado para tu conjunto de datos específicos. Algunos modelos son más adecuados para ciertos tipos de datos que otros. 5. Sobreajuste: El modelo puede haber aprendido demasiado de los datos de entrenamiento específicos y no generalizar bien a nuevos datos, lo que puede llevar a errores de clasificación. 6. Hiperparámetros incorrectamente ajustados: Los hiperparámetros de un modelo de aprendizaje automático, como la tasa de aprendizaje o la regularización, pueden influir en su capacidad para aprender los datos de manera efectiva. Ajustar incorrectamente estos hiperparámetros puede llevar a un rendimiento deficiente del modelo. Para abordar este problema, podrías intentar lo siguiente: - Revisar tus datos de entrenamiento para verificar la calidad de las etiquetas y la distribución de las clases. - Revisar las características utilizadas para entrenar el modelo y considerar si son las adecuadas. - Experimentar con diferentes modelos de aprendizaje automático y ajustar sus hiperparámetros. - Utilizar técnicas como la validación cruzada para evaluar el rendimiento del modelo de manera más robusta
Desde ya gracias como siempre por la informacion y dedicacion. Podrias cuando tengas tiempo hacer un video de prediccion en una serie de tiempo no estacionaria ,sin una distribucion normal con variables exogenas con Transformers ?
Hola gracias por el comentario... Que tipo de modelo te gustaría... Son para modelo clásico de la familia arima, la series siempre deben ser estacionarias ... Si son modelos de Machine learning la serie no es necesario que sea estacionaria... Que modelo te interesa que se haga...?? Saludos... Y si puedes comparte 💪
Estoy viendo ultimamente que se hablan sobre los informers como transformers modificados adaptados para series de tiempo.Pero no veo ejemplos practicos aplicados como si hay en LSTM.nose si podras hacer uno con variables exogenas. trato de apoco de ver probabilidades en acciones y commodities en base a la relación del volumen que operan y algun dato mas como las tasas de interes , etc. Siempre comparto tus videos con gente que conozco y buscamos lo mismo.👍
Tú quieres un ejemplo sobre LSTM con variables exógenas!!! Es eso... O no se te he comprendido mal..!!?
@@narencastellon escribo un par de link como ejemplo de lo que me refiero , gracias por tu tiempo. ua-cam.com/play/PLTl9hO2Oobd8Ul2XpG9bwoTOvNY0EazbT.html&si=JGJUBFsa9Z2s_mTY ua-cam.com/video/09rfD2Du_xg/v-deo.htmlsi=rncuOa2B4Xyl71pD
@@eduardogold3925 ah okay.. si claro voy a preparar al con ese tema... 3 modelo muy parecido, el que me mencionas en el video 1. Autoformer model 2. FEDformer model 3. iTransformer model 4. Informer model 5 Vanilla Transformer model voy a preparar una data para el 4, que es el informe model, que es uno de los link que me has enviado... Creo que para la otra semana podría compartir el video...
¿Con Github Actions también se puede hacer un modelo así?
Supongo que si se puede... Yo no lo he probado.., También puede hacerlo Streamlit o Dash... si te has fijado el en codigo de la aplicación son las mismo que se hizo en el cuaderno cuando se ha desarrollado el modelo... Saludos... Si puedes comparte!!!
@@narencastellon Gracias por tu respuesta :D
Saludos 💪
Me podes compartir la notebook? Gracias
Lo puedes encontrar en mi repositorio... Si pasas me dejás start x fis... Saludos!!!
Excelente 🎉
Gracias!!!
Esas bases de datos la podria compartir
Hola...!!! Puede encontrarlo en mi repositorio... si pasas me dejas start... Saludos..!!!
Muchas gracias
Gracias ...Saludos!!!
Gran video! , me dió ideas para mí proyecto de Universidad
Execellent... !!! Saludos
Hola Naren, muchas gracias por compartir tu conocimiento. Me gustaría consultarte, ¿como haces para estimar con cada modelo por ejemplo 12 datos futuros (que no existen en el set de datos), con cada uno de los modelos? y ¿como harías si tienes variables exógenas de las cuales no conoces tampoco los valores futuros de esos 12 datos?. Muchas gracias.
Hola un gusto Saludarte. 1. Para hacer forecasting 12 datos futuros, se trabaja con todos los datos del df, sin dividir los datos en entrenamiento y en prueba, y solo para modelos univariados. 2. En caso que sea multivariado, debes pronosticar cada variable exógenas que vas a incluir en la modelacion, luego con esos datos ya puede realizar el modelado general, en este caso podes usar un modelo para pronosticar cada variable exógenas, promedio móviles, lags etc etc lo que gustes!! 3. Por si no me sigues te dejo aca, www.linkedin.com/in/naren-castellon-1541b8101/
Excelente contenido ❤
Buena! donde puedo encontrar el codigo? @narencastellon
Interesante... Muy buen aporte
Gracias por comentar
Excelente! gracias. Donde podemos encontrar el codigo?
Saludos!!! Gracias por el comentario Puedes encontrarlo en mi repositorio.... Si puedes comparte 💪💪
Genio !
Gracias!!! Si puedes comparte!!! Saludos 💪💪
Excelente aporte
Gracias!!! Si puedes comparte 😍😍
Interesante este tuto!!!
Gracias!! Si puedes comparte
Esta Genial!
Gracias por el comentario!!! Si puedes compártelo!!!
@@narencastellon Claro que si
Buen tuto ;)
Gracias!! Si puedes comparte!!! Saludos 💪💪
@@narencastellon Lo puse en mi mastodon y twitter
Muchas gracias!!!
Tengo una consulta, tengo una base de datos, 30 sujetos, con diferentes variables evaluadas (edad-puntaje de una prueba-edad,etc) Cómo se aplica la t-student a estas variables? Osea, cómo me lo puedo plantear para entenderlo. Agradecería su ayuda :)
La prueba t de Student es una prueba estadística que se utiliza para comparar las medias de dos grupos independientes y determinar si existen diferencias significativas entre ellos. Sin embargo, en tu caso, mencionas que tienes una base de datos con múltiples variables evaluadas en 30 sujetos. Para aplicar la prueba t de Student a estas variables, necesitarás tener dos grupos distintos o condiciones que quieras comparar para cada variable..
@@narencastellon en este caso, aplica tener hombre/mujer como condición de dos grupos distintos? Gracias por responder ♥️
Al utilizar autoregresores ¿como le hago para que me de Forecast a futuro? ya que modelo solo se entrena con lags pero no me da información a futuro..
1. quitar el parametro rezagados, 2. agregarlos de forma manual como variables exógenas 3. Cree un dataframe nuevo con las fechas que desea pronosticar, puede usar la función data_range de pandas. 4. concatenar con tu regreso = pd.concat(df, df_nuevo 5. Crea un make_future_dataframe, y agregale el parámetro regresor_df el regresor 6. realizar el m.predict(df_future) 7. Funciona bien, yo ya lo hice 8. Saludos y comparte el vídeo.
si tengo los datos de una nueva variable, cómo lo pruebo en el metodo? es decir el lineal da los coheficientes de la ecuacion, pero y el cuadratico?
Si tienes los datos de una nueva variable debes agregarlo a tus datos de entrenamiento o si lo vas usar con los datos de prueba o crear unos nuevos datos de prueba para evaluar o pronosticar con el modelo... Si puedes comparte... Saludos!!!
Entendido, muchas gracias 😘
🤗
Estimado profesor, podria compartir su archivo, por favor. Le busqué en github, pero no está este archivo al parecer.
Hola gracias por comentar... ya esta en mi repositorio ... si entras me dejas en star por fin... gracias.. si puedes comparte el video!!! Saludos
Muy buen video... me a servido mucho este tutorial!!
Gracias, saludos
Como sería para proyectar datos fuera de muestra
Excelente pregunta... En este caso yo realice el forecasting con los datos de prueba.. si quieres hacer otros forecasting debería de tener esa información de las variables en otro DataFrame, y luego con eso datos realizar el forecasting... Saludos... Si puedes comparte!!! 💪💪
Muy buen video , gracias . Crees que si la serie no fuera estacionaria , ni tampoco con tan clara estacionalidad , neural profet seria mejor que LSMT ? Se le pueden agregar datos para que la serie tome en cuenta con neural profet como seria porcentaje de ads publicados contra vendidos por cada hora , ciudad , idioma , etc , es decir , mas variables para tomar en cuenta para sus predicciones ?
Gracias por comentar... Si claro, creo que puede ser mejor que LSTM... Neuralprophet puede agregarle variables exógenas y ademas de eso, puedes agregarle una cantidad de parámetros que capturan la estacionalidad ver(ua-cam.com/video/nZDbI6zSmjE/v-deo.html)... En estos tipo de series temporales no es necesario que la serie de tiempo sea estacionaria, seria suerte si la serie tal cual como venga lo es, pero tampoco es necesario hacerla estacionaria, por los modelo que se están usando, estos modelos no requieren que la serie lo sea, ademas trabajan con datos lineales y no lineales y que ademas no son estacionario, obviamente la estacionariedad puede ayudar a que la serie temporal el modelo aprenda mejor, pero no es un requisito como los modelos arima o autoregresivo que la serie deban de ser estacionaria... Saludos.. si puedes comparte!!!
@@narencastellon Voy a ver el video y compartir tus videos con la gente que conozco. 👍
@@EduardoMarck-jo6mt gracias.., saludos 💪
Hola buenas tardes, excelente video! Cree que pueda hacer un video sobre forecasting espacio-temporal?
Gracias por el comentario... Ah qué te refieres con espacio tiempo?!!
gran video, lo intentaré
Gracias!!! Si puedes compartelo!!! Saludos 💪
Excelente video!! muy explicativo, podrias subir o compartir codigo que hiciste en este video
Puedes buscarlo en mi repositorio Saludos!! Comparte si puedes!!! 💪💪
Excellente mister
Gracias... Saludos 💪
Serias tan amable de compartir ese cuaderno por favor te lo agradeceré bastante
Si claro... en mi repositorio puede encontrarlo... Si puedes comparte el video... y si pasas por mi GitHub me colaboras un start por fis!!! Saludos github.com/narencastellon/Python
Gracias por compartir, una duda ¿De qué módulo sacas windows_ops?
Puedes encontrar en este respositorio como instalar, y las variantes... si puedes comparte y github.com/jmoralez/window_ops
Que buena info no has considerado hacer un Bootcam ?
Lánzare una especialización en Forecasting, con clases en vivo, 100% prácticos con muchos casos de estudios!!! Ya pronto!!! Saludos... Si puedes comparte el vídeo!!!
@@narencastellon porfa quedo atento a esa especializacion
@@davidzamudio9971 Te dejo LinkedIn ; www.linkedin.com/in/naren-castellon-1541b8101/ por ahi estate pronto haciendo las publicaciones!!!.. Saludos
Excelente video mi buen naren, estuve revisando tu github para buscar este repositorio pero no lo encontré
Aún no subo todo!!!
Hola, gracias por el video, estoy intentando reproducir el código pero la predicción me resulta muy diferente, ya he cambiado capas, redes y el horizonte y el pronostico da la apariciencia de estar suavizado. De antemano agradezco tu tiempo. Saludos
Trabajaste con todos los datos o lo has dividido? Que raro, porque el modelo no lleva nada aleatorio. Déjame revisar de nuevo... Tienes las versión 0.30 de sktime? Que versión tienes instalado?
@@narencastellon , los datos como tú hiciste el split y la versión de sktime es 0.29.1
@@narencastellon 0.29.1, los datos están segmentados como en tu video
@@narencastellon la segmentación es la misma y el versión es 0.29.1
@@narencastellon usé la version 0.29.1 y la actualicé a la 0.30, pero continuo con el mismo detalle. uso los datos tal cual se muestra en el video
Naren lo Dicho, eres un-Master Hermano. Te fajaste con este video me gusto muchisismo
Gracias Victor!! Si puedes comparte!! Saludos 💪💪
Excelente video! Podrías compartir la documentación de la librería y el notebook usado en el video! saludo like y comparto!
🎉Esmi. Papá,
Bello 😍
Amigo, una sugerencia. Podrías comparar los diferente tipos de lstm para hacer forecasting
El KAN no es un modelo de LSTM, (La red Kolmogorov-Arnold (KAN) es un tipo nuevo y prometedor de arquitectura de red neuronal que ofrece varias ventajas sobre los perceptrones multicapa (MLP) tradicionales.) pero se puede hacer las comparaciones, aun la función KAN se están haciendo mas pruebas para que pueda ser mas eficiente, rápida y con mejor precisión.
@@narencastellon te agradezco por la retroalimentación. Comentaba sobre lo de lstm porque hace un par de semanas subiste un video donde comparabas un tipo de lstm(si no mal recuerdo era un univariado - multistep) vs un modelo de facebook y otro estadístico, en la que concluiste que la lstm era la mejor opción.
Por lo que considero que sería interesante que se compare entre los tipos de lstm para conocer cual es la mejor opción, solo es una sugerencia. Saludos de Ecuador
@@jeanvillamar485jf Con cual otro lstm te gustaría que se comprara? yo solo conozco uno que es el que menciona, por eso te respondí la vez pasada con cual modelo? si te refieres al Modelo KAN, este modelo no tiene una estructura de LSTM... Saludos... si puedes comparte
@@narencastellon Claro, la LSTM podría tener múltiples valores de entrada y salida, es decir, un enfoque multivariado y multistep. Además, entiendo que con la librería Facebook Prophet se pueden utilizar otros valores de entrada, como los feriados. En conclusión, sería interesante observar cómo se comporta el modelo cuando se incluyen más valores de entrada.