Estudio de series temporales usando aprendizaje automático: Un estudio comparativo entre redes recurrentes y transformers | Defensa de Trabajo Especial

Día: viernes 7 de marzo de 2025

Hora: 09:00 h

Lugar: Aula Magna | FAMAF

Resumen: El análisis de series temporales se ha convertido en una herramienta poderosa para comprender, modelar, clasificar y pronosticar datos que se recopilan a lo largo del tiempo. Al aprovechar los modelos y técnicas apropiadas, se pueden descubrir patrones subyacentes, tomar decisiones informadas y predecir tendencias futuras de manera efectiva. En este trabajo se investiga la aplicación de técnicas de aprendizaje automático, en particular redes neuronales, al problema de clasificación y predicción de las series mencionadas. A lo largo del trabajo se entrenan redes neuronales convolucionales, redes neuronales recurrentes con capas LSTM y las novedosas redes neuronales Transformers, con el objetivo de poder ofrecer un estudio comparativo sobre los diferentes desempeños. Se dividieron los problemas en varios casos de estudio, cada uno con características diferentes para analizar el desempeño de cada una de las topologías mencionadas. Se han logrado resultados satisfactorios. Este trabajo fue desarrollado para contribuir a la difusión del uso de la red Transformer, ya que al no ser una arquitectura usual en problemáticas referidas a las series temporales, muestran resultados prometedores en su uso.