Módulo 15: Caso de Uso II

Décimo quinto y último módulo de la IV Edición del Máster en Advanced Analytics on Big Data de la UMA. Tendrá lugar la semana del 22 al 26 de junio, y será impartido por José Manuel García Nieto.

José Manuel García Nieto (jnieto@lcc.uma.es)

Investigador Senior, UMA
Experto en algoritmos de optimización y minería de datos en el contexto del Big Data y la Web Semántica y el análisis del Big Data y su aplicación a problemas de la industria.

Imparte los módulos de open data y el caso de uso de Smart cities y redes sociales.

Información de contacto

• Linkedin: linkedin.com/in/josé-manuel-garcía-nieto-9988b035
• Sitio web oficial: khaos.uma.es/jmgn/  
• Twitter: jmgarcianieto

Objetivos del módulo

El objetivo principal de este módulo es realizar un caso práctico final orientado a la consolidación de conocimientos adquiridos en módulos anteriores, aunque complementando el análisis descriptivo y predictivo de datos mediante el enfoque especial de las series temporales. La motivación principal consiste en fortalecer el manejo de un tipo de datos que, gracias a la implantación de sistemas IoT, redes de sensores y cualquier flujo de datos en el que la componente tiempo es determinante, se está trabajando en multitud de proyectos en diferentes dominios como: Industria 4.0, Agricultura de Precisión, Medicina, Sostenibilidad, Ciudades Inteligentes, etc.

Tecnologías: Python, Anaconda, Jupyter Notebooks, Spyder y las librerías matplotlib, pandas, numpy, statsmodels, sklearn y Facebook Prophet.

Pre-Requisitos: Conocimientos adquiridos en módulos anteriores: Python, análisis descriptivo y predictivo, además de los enlaces proporcionados en el campus virtual.

Planificación docente

Clase 1: Introducción a data cleaning/wrangling con python y fundamentos de análisis de series temporales.

Trabajo previo necesario: Instalación de entorno de desarrollo y prueba Anaconda. Repaso de Python y análisis descriptivo/predictivo.

Tarea 1 (Mandatory): preparación de datos y planteamiento de análisis. A partir de un conjunto de datos inicial, realizar acciones de limpieza y acomodo de datos para su modelado en el tratamiento de series temporales. Se plantarán diferentes alternativas
y se discutirán.

Clase 2: Caso de uso de análisis de series temporales. Casos de análisis predictivo de series en entornos reales.

Trabajo previo necesario: Repaso de data wrangling con Python y fundamentos de análisis de series temporales.

Tarea 2 (Mandatory): Reproducción de los pasos realizados en análisis preliminar del conjunto de datos y la configuración de parámetros y afinamiento de modelos autoregresivos, ARIMA, SARIMAX y PROPHET. EL objetivo es que el alumno sea capaz de reproducir el caso presentado, su modelado, visualización e interpretación. Se presentará mediante notebook Jupyter. Se espera que el alumno realice la actividad con fuentes de datos trabajada en la lección. Se orientará hacia la obtención del modelo con sus parámetros óptimos, la confianza estadística de los modelos y la visualización de las componentes de estacionalidad y tendencia.

Clase 3: Práctica de caso de análisis y presentación de soluciones.

Trabajo previo necesario: Iniciación del caso de uso adaptado en clases anteriores.

Tarea 3 (Mandatory): Reproducción de los pasos realizados en la carga de datos, adaptación a serie temporal y el análisis completo mediante conjuntos de datos realistas proporcionados. EL objetivo es que el alumno sea capaz de realizar una búsqueda y carga de datos, su trazado y presentación en notebook Jupyter, además de entender la imprescindible fase de limpiado y adaptación. Se hará hincapié en la comparación de series sobre diferentes modelos. Se espera que el alumno realice la actividad de manera autónoma con nuevas fuentes de datos proporcionadas.

Tarea 4 (Challenge): Elaboración de un caso de uso con fuentes de datos obtenidas por el alumno de interés. EL objetivo es que el alumno sea capaz de buscar, adaptar y preparar un caso sobre el análisis de series temporales de interés, desde la captación de datos, su motivación, curado, adaptación, análisis, visualización e interpretación. La obtención de un pronóstico verificado a través de los modelos presentados basados en autoregresivos clásicos y prophet es esencial, aunque se valorará además la utilización de modelos basados en redes neuronales recurrentes como LSTM.