Que los estudiantes modelen datos con estructura temporal identificando tendencia, estacionalidad y ruido; construyan modelos clásicos de la familia ARIMA con diagnóstico de estacionariedad; implementen redes recurrentes para predicción; y evalúen modelos temporales con esquemas de validación que respeten el orden cronológico.
Lo que este módulo da por aprendido
regresión, residuos, intervalos de confianza, autocorrelación, verosimilitud.
descenso por gradiente y regularización, para entender el entrenamiento de la red.
métricas de error, sobreajuste, esquema entrenamiento/validación/prueba.
retropropagación, funciones de activación, uso del framework.
entorno reproducible y carga de datos desde base de datos.
Cinco unidades
Unidad 1La serie temporal como objeto de datos5 h
- Qué cambia cuando el orden importa: dependencia, autocorrelación y por qué se rompe el supuesto de independencia usado en M2 y M5.
- Ingesta y regularización de series: índices temporales, frecuencias, remuestreo, huecos y valores faltantes, calendarios y efectos de día hábil.
- Descomposición en tendencia, estacionalidad y residuo: descomposición clásica aditiva y multiplicativa, STL.
- Transformaciones estabilizadoras: logaritmo, diferenciación regular y estacional, Box-Cox.
- Exploración: gráficos de línea, de rezagos, ACF y PACF; estacionalidad múltiple.
Unidad 2Modelos clásicos de pronóstico6 h
- Líneas de base que hay que superar: naive, naive estacional, media móvil, drift. Por qué se reportan siempre.
- Suavizado exponencial: simple, Holt y Holt-Winters; elección entre esquema aditivo y multiplicativo.
- Estacionariedad y pruebas: ADF, KPSS; interpretación conjunta y errores frecuentes.
- AR, MA, ARMA, ARIMA y SARIMA: lectura de ACF/PACF, criterios AIC/BIC, selección automática y sus límites.
- Diagnóstico de residuos: ruido blanco, Ljung-Box, normalidad, heterocedasticidad.
- Variables exógenas: ARIMAX/SARIMAX y feriados, promociones o clima como regresores.
Unidad 3Validación y evaluación en contexto temporal4 h
- Por qué la validación cruzada aleatoria de M5 no es válida: fuga de información del futuro hacia el pasado.
- Partición temporal, ventana expansiva y ventana deslizante; backtesting y origen de pronóstico móvil.
- Métricas: MAE, RMSE, MAPE y sus fallas, sMAPE, MASE; escala y comparabilidad entre series.
- Horizonte de pronóstico: predicción a un paso versus a varios pasos, propagación del error, estrategias recursiva y directa.
- Intervalos de predicción y comunicación de la incertidumbre.
Unidad 4Redes neuronales recurrentes6 h
- De la ventana deslizante al tensor de entrada: supervisión a partir de una serie, escalado y desescalado correctos.
- RNN simple: recurrencia, desenrollado en el tiempo, retropropagación a través del tiempo y el problema del gradiente que se desvanece.
- LSTM y GRU: compuertas, memoria de largo plazo, cuándo cada una.
- Arquitecturas prácticas: apilamiento, bidireccionalidad y su restricción en pronóstico, dropout recurrente, early stopping.
- Series multivariadas y covariables; alternativas de referencia: CNN 1D dilatada y una noción del enfoque de atención.
- Cuándo la red no conviene: pocos datos, series cortas, señal fuertemente estacional.
Unidad 5Aplicaciones e integración4 h
- Casos: demanda y consumo energético, series epidemiológicas, series ambientales y meteorológicas, series económicas.
- Detección de anomalías sobre series temporales, retomando los criterios de M6.
- Puesta en producción mínima: reentrenamiento periódico, deriva de datos y monitoreo del error.
- Cierre de la Diplomatura: cómo se integran M5 a M8 en el proyecto integrador; checklist de un análisis defendible.
Evaluación
Trabajo práctico integrador: pronóstico sobre una serie asignada, con línea de base, un modelo clásico y un modelo recurrente, evaluados bajo un mismo esquema de validación temporal, y un informe con la justificación del modelo elegido. Se evalúa la corrección del esquema de validación y la lectura crítica de las métricas, no la performance absoluta.
Datos de trabajo
Serie de demanda eléctrica horaria (dataset transversal), serie de casos epidemiológicos semanales, serie de precios o índices mensuales.
Bibliografía
- Hyndman, R. J. y Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3ª ed.
- Géron, A. (2022). Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow, 3ª ed., cap. 15.
- Brownlee, J. Deep Learning for Time Series Forecasting (material de referencia práctica).
- Documentación de statsmodels, pmdarima y Keras/PyTorch.