Los datos de series temporales se pueden ver como datos secuenciales y hay varias formas estándar de examinarlos; El modelo oculto de Markov es uno de esos métodos que se ha mantenido muy popular durante varios años. Una nueva investigación muestra que la red neuronal recurrente también es buena en el manejo de datos temporales [1]. El modelado de promedio móvil integrado autorregresivo ha sido una práctica estándar entre los analistas de series temporales. Un método un poco complicado, como los procesos gaussianos, también se utiliza eficazmente para el modelado de series temporales [2]. Una serie de tiempo puede descomponerse como un problema de regresión estándar, donde el valor predicho actual depende de un bloque de valores pasados.
Creo que depende de cómo queramos ver este problema, desde un punto de vista de pronóstico o comprensión de datos históricos. Un desafío importante con el pronóstico es que no puede dar buenas predicciones en un horizonte largo.
Notas al pie
- ¿Cuál es el mejor extractor de datos web?
- Cómo obtener una lista de todos los bootcamps de ciencia de datos que se ejecutan en los EE. UU.
- ¿Cuál es un mejor tema para estudiar, SDN o big data?
- ¿Qué campos dentro de Data Science son los más relevantes?
- ¿Qué tipo de datos se almacenan y qué tipo de análisis se realiza en datos de proyectos arqueológicos?
[1] Forma adecuada de usar la red neuronal recurrente para el análisis de series de tiempo
[2] http://www.robots.ox.ac.uk/~sjro…