Libere el poder del análisis de series temporales para predecir tendencias, detectar anomalías y optimizar las aplicaciones AI/ML en todos los sectores.
El análisis de series temporales es un método estadístico utilizado para analizar una secuencia de puntos de datos recogidos a lo largo de un periodo de tiempo. Este tipo de datos, conocidos como datos de series temporales, se ordenan cronológicamente, lo que permite a los analistas y a los modelos de aprendizaje automático (ML ) identificar patrones temporales, tendencias, estacionalidad y otras estructuras basadas en el tiempo. El objetivo principal suele ser comprender las causas subyacentes de estos patrones o realizar previsiones, es decir, el proceso de modelado predictivo para estimar valores futuros. Es la piedra angular de muchos campos, como la economía, las finanzas y la meteorología.
El análisis de series temporales es fundamental para construir sistemas inteligentes capaces de anticiparse a acontecimientos futuros a partir de datos históricos.
Para modelizar los datos de series temporales se utilizan diversos métodos, desde los enfoques estadísticos clásicos hasta las complejas redes neuronales.
Mientras que el análisis de series temporales se centra en secuencias de puntos de datos numéricos o categóricos a lo largo del tiempo, la visión por ordenador (CV) se ocupa de interpretar la información visual de imágenes o vídeos. Tareas como la detección de objetos o la segmentación de imágenes, a menudo realizadas por modelos como Ultralytics YOLO, analizan principalmente el contenido espacial dentro de fotogramas individuales o relacionan objetos entre fotogramas(seguimiento de objetos).
Aunque el análisis de vídeo implica intrínsecamente una dimensión temporal (una secuencia de fotogramas), las técnicas utilizadas a menudo difieren de los métodos tradicionales de series temporales. El análisis de vídeo puede emplear modelos espaciotemporales (como las CNN 3D o los transformadores de visión) que tienen en cuenta tanto las características espaciales como sus cambios a lo largo del tiempo. Sin embargo, un sistema de CV puede generar datos de series temporales. Por ejemplo, un sistema de recuento de objetos en una secuencia de vídeo puede generar una serie temporal del número de personas que pasan por una zona cada minuto. Este resultado puede analizarse mediante técnicas estándar de series temporales para el análisis de tendencias o la detección de anomalías.
El desarrollo y despliegue de modelos de series temporales implica diversas herramientas. Además de bibliotecas de ML como PyTorch y TensorFlow, herramientas especializadas como la biblioteca Prophet de Meta ofrecen capacidades de previsión fáciles de usar. La gestión del ciclo de vida de estos modelos, desde el entrenamiento en conjuntos de datos de referencia o personalizados (como los que se encuentran en la Biblioteca de Datos de Series Temporales) hasta la evaluación y el despliegue del modelo, a menudo implica principios de Operaciones de Aprendizaje Automático (MLOps) y plataformas como Ultralytics HUB. En cuanto a los recursos de aprendizaje, textos como "Forecasting: Principles and Practice" proporcionan una orientación completa, y plataformas como Kaggle organizan competiciones de series temporales para adquirir experiencia práctica.