¿Qué le parece más interesante: el análisis de series temporales o el aprendizaje automático? ¿Por qué?

Obviamente, esta es una pregunta subjetiva, por lo que responderé subjetivamente. En mi opinión, el análisis de series de tiempo (TS) es más interesante que el aprendizaje automático “normal” (análisis transversal (CS)) porque es mucho más difícil y el campo parece mucho menos desarrollado (en términos de “pleno potencial”. Primero, aunque , uno debe mirar las diferencias entre los datos de TS y CS.

Los datos de CS se forman a partir de una muestra de observaciones independientes (esperas) (variables exógenas, es decir, dadas X y endógenas, es decir, modeladas, Y), de las cuales buscas aprender una función Y = F (X). Asume una forma (por ejemplo, regresión lineal, SVM, red neuronal …) y encuentra los parámetros Z en una función F (X, Z) que se aproxima a f (X). Las relaciones pueden ser realmente complejas, pero muchas veces el problema se puede resolver con más datos o más limpios, o con un modelo más sofisticado.

Los TS son similares, excepto que sus variables endógenas dependen casi siempre de valores anteriores (correlación o dependencia más compleja). Solo tiene 1 serie de tiempo para ajustar (debido al hecho de que las series de tiempo asumen un estado interno oculto, y que difieren de una serie a otra), por lo que no puede obtener más datos por serie de tiempo excepto al esperar (u obtener el panel datos … eso está fuera del alcance de esta respuesta). La necesidad de evitar el sobreajuste y comprobar los supuestos en el análisis de TS es mucho mayor que en el ML clásico. En resumen, se necesita mucho más cuidado en el análisis de TS: es mucho menos posible “magia”.

La parte en la que el pronóstico de TS es más interesante que la predicción de CS es en el hecho de que está prediciendo el futuro en función de valores pasados ​​en lugar de dar predicciones de “qué pasaría si” (“los precios de la vivienda para viviendas como la suya serán más bajos este año” en lugar de “su casa cuesta Y en promedio”). Esto le da mucho más poder para tomar decisiones y optimizar su política / decisiones comerciales / lo que sea.

Me gusta el aprendizaje automático, ya que tiene un enfoque un poco más amplio que las series de tiempo; Sin embargo, disfruté investigando un poco y jugando con los modelos longitudinales de aprendizaje automático (un tipo de problema de series de tiempo que involucra predictores). Creo que pueden aprender mucho unos de otros y estoy emocionado de ver más artículos en esta área combinada de investigación.