Análisis Práctico de Series Temporales

Capítulo 10. Aprendizaje profundo para series temporales

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

El aprendizaje profundo para series temporales es una empresa relativamente nueva, pero prometedora. Dado que el aprendizaje profundo es una técnica muy flexible, puede ser ventajoso para el análisis de series temporales. Lo más prometedor es que ofrece la posibilidad de modelizar comportamientos temporales muy complejos y no lineales sin tener que adivinar formas funcionales, lo que podría cambiar las reglas del juego de las técnicas de previsión no estadísticas.

Si no estás familiarizado con el aprendizaje profundo, aquí tienes un resumen de un párrafo (entraremos en más detalles más adelante). El aprendizaje profundo describe una rama del aprendizaje automático en la que se construye un "grafo" que conecta los nodos de entrada a una complicada estructura de nodos y perímetros. Al pasar de un nodo a otro a través de una arista, se multiplica un valor por el peso de esa arista y luego, normalmente, se pasa a través de algún tipo de función de activación no lineal. Es esta función de activación no lineal lo que hace que el aprendizaje profundo sea tan interesante: nos permite ajustar datos no lineales muy complejos, algo que no se había hecho con mucho éxito anteriormente.

El aprendizaje profundo se ha desarrollado principalmente en los últimos 10 años, a medida que las mejoras en el hardware disponible en ...