Resultados de aprendizaje

• Entender distintos conceptos importantes en series de tiempo, tales como: preprocesamiento avanzado y visualización de datos de series temporales mediante el remuestreo, agrupación y el cálculo de medias móviles; estacionariedad y pruebas de hipótesis estadísticas para detectar la estacionariedad en una serie temporal; y varios métodos de descomposición de series temporales para estacionar una serie temporal no estacionaria.
• Aplicar los modelos de suavizado exponencial utilizando el modelo de Holt-Winters de primer orden para capturar niveles, de segundo orden para suavizar niveles y tendencia, y el suavizado de orden superior, que capta el nivel, la tendencia y la estacionalidad dentro de un conjunto de datos de series temporales.
• Analizar los modelos autorregresivos para la predicción con series de tiempo. Entender en detalle las matemáticas detrás del modelo e implementación algorítmica para la media móvil (MA), autorregresiva (AR) media móvil autorregresiva (ARMA) y media móvil integrada autorregresiva (ARIMA) para capturar diferentes niveles de perturbación en los datos de las series temporales durante la predicción de series temporales.
• Analizar algoritmos recientes de deep learning que pueden adaptarse directamente para desarrollar modelos de predicción para datos de series temporales. Describir diferentes redes neuronales, como la Vanilla RNN, Gated Recurrent Units (GRN) y Long Short Term Memory (LSTM) para desarrollar modelos de predicción de datos de series temporales. Entender las formulaciones matemáticas implicadas en el desarrollo de estas RNN.

Contenido

INTRODUCCIÓN A LAS SERIES TEMPORALES

• Diferentes tipos de datos - Estructuras internas de las series temporales
• Modelos de análisis de series temporales
• Autocorrelación y autocorrelación parcial

ANÁLISIS EXPLORATORIO DE SERIES TEMPORALES

• Remuestreo de datos de series temporales
• Procesos estacionarios
• Descomposición de series temporales

MÉTODOS BASADOS EN EL SUAVIZADO EXPONENCIAL

• Introducción al suavizado de series temporales
• Suavizado exponencial de primer orden
• Suavizado exponencial de segundo orden
• Modelado con suavizado exponencial de orden superior

• Modelos autorregresivos
• Modelos de media móvil
• Construcción de conjuntos de datos con ARIMA
• Intervalo de confianza

DEEP LEARNING PARA LA PREDICCIÓN DE SERIES TEMPORALES

• Perceptrones multicapa
• Redes neuronales recurrentes
• Redes neuronales convolucionales

Expertos facilitadores