Nombre de la propuesta: Nixtlats: Deep Learning para pronóstico de series de tiempo.
Descripción:
El pronóstico de series de tiempo tiene una amplia gama de aplicaciones: finanzas, retail, salud, IoT, etc. Recientemente modelos de deep learning como ESRNN o N-BEATS han demostrado tener performance estado del arte en estas tareas. Nixtlats es una librería de python que hemos desarrollado para facilitar el uso de estos modelos estado del arte a data scientists y developers. Escrita en pytorch, su diseño está enfocado en la usabilidad y reproducibilidad de los experimentos. Para ello, nixtlats cuenta con diversos módulos:
Data: contiene datasets de diversas competencias de series de tiempo.
Models: incluye modelos estado del arte.
Evaluation: posee diversas funciones de pérdida y métricas de evaluación.
Objetivo:
Introducir a les asistentes a los retos del pronóstico de series de tiempo con deep learning.
Describir nixtlats, sus componentes y las mejores prácticas para entrenamiento y despliegue de modelos estado del arte.
Reproducción de resultados estado del arte usando nixtlats del modelo ganador de la competencia M4 de series de tiempo (ESRNN).
Breve reseña sobre ti:
¡Hola! Soy Fede. Estudié las licenciaturas en Economía y Matemáticas aplicadas en el ITAM. He trabajado para el Banco de México, Banorte (en el área de anaĺítica), en Abraxas (una consultora de ciencia de datos) y actualmente en Nixtla, donde buscamos democratizar el uso de modelos estado del arte para series de tiempo usando machine learning y deep learning. Estoy interesado en el modelado de series de tiempo y sus aplicaciones. Co-desarrollador de nixtlats.
Nombre de la propuesta: Nixtlats: Deep Learning para pronóstico de series de tiempo.
Descripción:
El pronóstico de series de tiempo tiene una amplia gama de aplicaciones: finanzas, retail, salud, IoT, etc. Recientemente modelos de deep learning como ESRNN o N-BEATS han demostrado tener performance estado del arte en estas tareas. Nixtlats es una librería de python que hemos desarrollado para facilitar el uso de estos modelos estado del arte a data scientists y developers. Escrita en pytorch, su diseño está enfocado en la usabilidad y reproducibilidad de los experimentos. Para ello, nixtlats cuenta con diversos módulos:
Objetivo:
Breve reseña sobre ti: ¡Hola! Soy Fede. Estudié las licenciaturas en Economía y Matemáticas aplicadas en el ITAM. He trabajado para el Banco de México, Banorte (en el área de anaĺítica), en Abraxas (una consultora de ciencia de datos) y actualmente en Nixtla, donde buscamos democratizar el uso de modelos estado del arte para series de tiempo usando machine learning y deep learning. Estoy interesado en el modelado de series de tiempo y sus aplicaciones. Co-desarrollador de nixtlats.
Correo electrónico: fede.garza.ramirez@gmail.com.