Blog

Machine Learning

Todos nuestros artículos sobre Machine Learning.

Descomposición de series de tiempo: separar tendencia, estacionalidad y residual con STL
Machine Learning Academy

Descomposición de series de tiempo: separar tendencia, estacionalidad y residual con STL

Cómo la descomposición clásica y STL dividen una serie de tiempo en componentes de tendencia, estacionalidad y remanente, cuándo usar forma aditiva vs. multiplicativa, y cómo la descomposición alimenta el pronóstico y la detección de anomalías.

Leer artículo →
Estacionariedad en series de tiempo: pruebas de raíz unitaria, diferenciación y la transformación Box-Cox
Machine Learning Academy

Estacionariedad en series de tiempo: pruebas de raíz unitaria, diferenciación y la transformación Box-Cox

Qué es una serie de tiempo estacionaria, por qué ARIMA necesita una, cómo probar estacionariedad con las pruebas ADF y KPSS, y cuándo usar diferenciación o una transformación Box-Cox para lograrla.

Leer artículo →
Evaluar modelos de pronóstico: train/test, cross-validation de series de tiempo y métricas de error
Machine Learning Academy

Evaluar modelos de pronóstico: train/test, cross-validation de series de tiempo y métricas de error

Cómo medir un modelo de forecasting con honestidad: por qué el ajuste in-sample exagera la precisión, cómo dividir una serie de tiempo en train y test sin fuga de datos, cross-validation de origen rodante, y cuándo usar MAE, RMSE, MAPE, sMAPE o MASE.

Leer artículo →
Intervalos de predicción en pronóstico: cuantificar la incertidumbre más allá del pronóstico puntual
Machine Learning Academy

Intervalos de predicción en pronóstico: cuantificar la incertidumbre más allá del pronóstico puntual

Qué son los intervalos de predicción, cómo los derivan analíticamente ETS y ARIMA, por qué importa el bootstrapping para errores no gaussianos, y cómo evaluar la calidad de un intervalo con coverage y pinball loss.

Leer artículo →
Modelos ARIMA y SARIMA: el método Box-Jenkins para pronóstico de series de tiempo
Machine Learning Academy

Modelos ARIMA y SARIMA: el método Box-Jenkins para pronóstico de series de tiempo

Cómo funcionan ARIMA(p,d,q) y los modelos SARIMA estacionales: autorregresión, diferenciación, medias móviles, identificación con ACF/PACF y selección automática de orden con el algoritmo de Hyndman-Khandakar.

Leer artículo →
Suavizamiento exponencial y modelos ETS: de la suavización simple a Holt-Winters
Machine Learning Academy

Suavizamiento exponencial y modelos ETS: de la suavización simple a Holt-Winters

Cómo funciona el suavizamiento exponencial, desde el suavizamiento exponencial simple hasta el método de tendencia de Holt y los modelos estacionales Holt-Winters, el framework ETS de espacio de estados, y cuándo preferirlo sobre ARIMA.

Leer artículo →