Nixtlats: Deep Learning para pronóstico de series de tiempo

[AzulGarza]

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:

1. Data: contiene datasets de diversas competencias de series de tiempo.
2. Models: incluye modelos estado del arte.
3. Evaluation: posee diversas funciones de pérdida y métricas de evaluación.

Objetivo:

1. Introducir a les asistentes a los retos del pronóstico de series de tiempo con deep learning.
2. Describir nixtlats, sus componentes y las mejores prácticas para entrenamiento y despliegue de modelos estado del arte.
3. 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.

Correo electrónico: fede.garza.ramirez@gmail.com.

[pixelead0]

Hola @FedericoGarza , estaremos retomando nuevamente los meetups, presenciales en la cdmx, si aún deses dar esta charla por favor contactame.