• Introducir el formalismo matemático necesario para comprender algunos de los algoritmos más utilizados en Forecasting mediante regresiones y series temporales. 

• Invitar al alumno a comprender la necesidad y las ventajas de la regularización en las regresiones lineales.

• Motivar la utilización de las series de tiempo como un método para modelar correctamente algunos fenómenos.

• Enseñar las cualidades estadísticas y computacionales de los algoritmos propuestos. 

• Introducir el concepto de anomalía y aquellos algoritmos útiles en su detección. 

​

​

Temario

​

Curso uno: Anomalías en series de tiempo y regresiones

 

Parte I. Regularización

• Ridge

• Cualidades estadísticas

• Interpretación geométrica y relación con PCA

Parte II. Anomalías en las regresiones lineales

• Anomalías en regresiones

• Regresión robusta

• Programación lineal: una solución a la regresión robusta

 

Parte III Series de tiempo y detección de anomalías

• Definiciones básicas 

• Modelo de Buys-Ballot: relación con las regresiones

• Exponential smoothing

• Detección de anomalías

 

Curso dos: Otros métodos en la detección de anomalías para series de tiempo

 

Parte I. ARIMA

• Moving average

• Ruido blanco

• Invitación a procesos estocásticos

• Detección de anomalías y ARIMA

 

Parte II. Distancia de Mahalanobis y anomalías

• Definiciones básicas

• Interpretación geométrica

• MCD 

• Aplicaciones a la detección de anomalías

Parte III. Anomalías en las series de tiempo vía Elastic Search

• Distribuciones no gaussianas y otros problemas

• Definición formal del algoritmo

• Detección de anomalías