Saltar a contenido

Pronóstico de Series Temporales con IA · UAO 2026-II

Universidad Autónoma de Occidente · Del 9 de octubre al 28 de noviembre de 2026, viernes de 6:30 a 9:30 p. m. y sábado de 8:00 a 11:00 a. m.

Este sitio guarda solo las actividades interactivas del curso. Las diapositivas, los notebooks, la serie del curso, los talleres, los miniproyectos y las notas están en el campus virtual de la UAO.

Actividades interactivas

Se trabajan en el navegador, sin instalar nada, y todos los números que muestran se calculan en la página sobre la serie del curso: los pasajeros mensuales de los vuelos de Colombia entre enero de 2017 y febrero de 2026. Los ajustes de statsmodels y scikit-learn son la excepción: se calcularon fuera de la página, y cada actividad dice cuáles son.

  1. Ejercicios de la semana del 16 y 17 de octubre: estacionariedad, ACF y PACF. Cinco actividades: la nube de cada mes contra el de k meses antes, tres correlogramas para reconocer antes de diferenciar, las casillas d y D con su ACF y su valor p de ADF, el ancho de la banda de un correlograma y lo que le pasa al diferenciar, y el φ de un AR(1) moviendo su ACF y su PACF.
  2. Ejercicios de la semana del 23 y 24 de octubre: AR, MA, ARMA, ARIMA y SARIMA. Modelos ARMA, tres actividades: la firma de un AR, un MA y un ARMA en la ACF y la PACF, cuatro pares de correlogramas para emparejar con su modelo y seis ARMA sobre la serie diferenciada que no alcanzan la barra de k = 12. SARIMA, dos actividades: el pronóstico de w integrado de vuelta a pasajeros, mes a mes, y la rejilla de SARIMA por AIC con los residuos de cinco modelos y su prueba de Ljung-Box.
  3. Ejercicios de la semana del 30 y 31 de octubre: la serie como tabla. Tres actividades: los vecinos que KNN escoge para enero de 2025 según k y el objetivo, C, epsilon y el escalador de SVR, y un árbol de regresión de profundidad 1 a 10 frente a un Random Forest.
  4. Ejercicios de la semana del 6 y 7 de noviembre: ensambles de árboles y validación temporal. Ensambles de árboles, dos actividades: un árbol con su profundidad y su hoja mínima frente a un Random Forest de 10 a 300 árboles, y la tasa, los árboles y la profundidad de XGBoost con el pronóstico de 2025. Validación temporal, dos actividades: los pliegues de TimeSeriesSplit según n_splits, test_size y gap, y la rejilla de profundidad y tasa de XGBoost con el MAE de validación frente al del backtest.
  5. Ejercicios de la semana del 13 y 14 de noviembre: redes neuronales en PyTorch. El perceptrón multicapa, dos actividades: las curvas de pérdida de entrenamiento y validación según el tamaño de la capa oculta y la tasa de aprendizaje, y el pronóstico de 2025 según las épocas, con y sin invertir el escalado. Redes recurrentes, tres actividades: la ventana de doce meses que lee la red, mes por mes y como tensor; la RNN y la LSTM según los pasos de la ventana y el tamaño del estado, con el pronóstico de 2025; y qué le pasa al MLP y a la LSTM cuando se barajan los rezagos.
  6. Ejercicios de la semana del 20 y 21 de noviembre: redes convolucionales e híbridos. Redes convolucionales e híbridos, cuatro actividades: el filtro de tres pesos sobre la ventana, con el mapa que deja y los pesos que aprende; el SARIMA con una red sobre su residuo, mes a mes en 2025; sobre qué modelo base vale un híbrido, según la autocorrelación de su residuo; y la Conv1d según el núcleo y el número de filtros.
  7. Ejercicios de la semana del 20 y 21 de noviembre: autoatención y Transformers. Autoatención y Transformers, cuatro actividades: la cuenta de un cabezal de atención sobre cuatro meses, con consultas, claves, valores, puntajes y pesos; la tabla de senos y cosenos de la posición y los pesos que aprendió el Transformer de la sesión; los parámetros de la red contra los 110 meses de la serie; y qué modelo usar para pronosticar diciembre de 2025.