Series de Tiempo con Deep Learning

Conceptos fundamentales hasta la implementación de modelos avanzados para el análisis y predicción de series temporales.

¿Que aprenderás?

• Fundamentos teóricos de series temporales y deep learning
• Técnicas de exploración y visualización de datos temporales
• Implementación práctica de modelos LSTM, GRU y Transformers
• Evaluación y optimización de modelos temporales
• Casos de uso reales en finanzas, meteorología y más

Estructura del Curso

Este repositorio contiene notebooks organizados en 7 sesiones:

Sesión 0: Introducción

Introduccion a las series de tiempo, requisitos del sistéma e instalación de librerías. 📁 Sesion_00_Introduccion

Subtemas:

• 0.1. ¿Que son las series temporales?
• 0.2. Deep Learning para series temporales
• 0.3. Objetivos del curso
• 0.4. Requisitos del sistema e instalación de librerías

Sesión 1: Fundamentos de Series de Tiempo

Conceptos fundamentales, componentes temporales, estacionariedad y análisis exploratorio. 📁 Sesion_01_Fundamentos_Series_Tiempo

Subtemas:

• 1.1. Análisis Exploratorio de la Serie
• 1.2. Analizar la Autocorrelación

Sesión 2: Pronósticos con Modelos Tradicionales

Modelos ARIMA, SARIMA y métodos de suavización exponencial. 📁 Sesion_02_Pronosticos_Modelos_Tradicionales

Subtemas:

• 2.1. Análisis de Residuales
• 2.2. Comportamiento de los Residuales
• 2.3. Componente Estacional
• 2.4. Detalle Matemático del Modelo SARIMA
• 2.5. Pronóstico con el Modelo

Sesión 3: MLP para Series de Tiempo

Introducción a redes neuronales Perceptrón Multicapa para series temporales. 📁 Sesion_03_MLP_Series_Tiempo

Subtemas:

• 3.1. EDA (Exploratory Data Analysis)

Sesión 4: Modelar una Serie de Tiempo con MLP

Implementación práctica y optimización de modelos MLP. 📁 Sesion_04_Modelar_Serie_Tiempo_MLP

Subtemas:

• 4.1. Preprocesamiento
• 4.2. Construcción del Modelo MLP
• 4.3. Optimización de Hiperparámetros

Sesión 5: Estructuras de Redes Profundas para Series de Tiempo Univariadas

RNN, LSTM, GRU y arquitecturas profundas especializadas. 📁 Sesion_05_Redes_Profundas_Series_Univariadas

Subtemas:

• 5.1. Análisis de la Serie
• 5.2. Ajustar un Modelo LSTM
• 5.3. Ajustar un LSTM con Early Stopping
• 5.4. Comparar con un Modelo Clásico GARCH
• 5.5. Resultados Comparativos en el Conjunto de Test

Sesión 6: Redes Convolucionales para Series de Tiempo

CNN 1D, arquitecturas híbridas y modelos avanzados. 📁 Sesion_06_Redes_Convolucionales_Series_Tiempo

Subtemas:

• 6.1. Crear las Secuencias
• 6.2. Escalar Datos
• 6.3. Crear el Modelo

Organización de Carpetas

Cada sesión contiene dos subcarpetas:

• clases/: Notebooks con contenido teórico y ejemplos de clase
• desarrollo/: Notebooks con ejercicios prácticos y proyectos de desarrollo

Recursos adicionales

📁 Recursos_adicionales