Recursos para ciencia de datos en modelos de TensorFlow y series temporales

En el post de esta semana, les comparto una serie de artículos para los entusiastas de la ciencia de datos, interesados en modelos de TensorFlow y series temporales.

Primeramente, les dejo una lista con una serie de artículos publicados en el blog Regenerative, para poner en práctica diversos modelos de TensorFlow:

1. Basic Building Blocks of TensorFlow: Basic Operations with Tensors
2. Introduction to GradientTape in TensorFlow
3. TensorFlow Model Training Using GradientTape
4. Using a Keras Tuner for Hyperparameter Tuning of a TensorFlow Model
5. Implementation of a Siamese Network in Keras and TensorFlow

Últimamente, TensorFlow está publicando los resultados de algunas colaboraciones con otras empresas del sector IT. El caso más reciente es una colaboración con Spotify, la cual se resume en el siguiente post, que lo encuentro muy recomendable para los equipos de ciencia de datos, cuando necesitan difundir y diseminar los resultados de colaboraciones como lo que está haciendo TensorFlow de Google: Simulated Spotify Listening Experiences for Reinforcement Learning with TensorFlow and TF-Agents.

Aquí les dejo una interesante discusión sobre la interpretación de coeficientes de regresiones de series de tiempo interrumpidas y la importancia de tener claro si está interesado en un cambio discreto o instantáneo.

Finalmente, en este artículo se presenta TimeGPT, el primer modelo básico para series temporales, capaz de generar predicciones precisas para diversos conjuntos de datos que no se ven durante el entrenamiento. Donde los autores evalúan su modelo previamente entrenado comparándolo con métodos estadísticos, de aprendizaje automático y de aprendizaje profundo establecidos, lo que demuestra que la inferencia de disparo cero de TimeGPT sobresale en rendimiento, eficiencia y simplicidad. Este estudio proporciona evidencia convincente de que los conocimientos de otros dominios de la inteligencia artificial se pueden aplicar eficazmente al análisis de series temporales. Los autores concluyen que los modelos de series de tiempo a gran escala ofrecen una oportunidad emocionante para democratizar el acceso a predicciones precisas y reducir la incertidumbre aprovechando las capacidades de los avances contemporáneos en el aprendizaje profundo.

Les recuerdo que he creado un repositorio en GitHub con recursos sobre machine learning, blockchain, computación cuántica, deep tech, innovación y evaluación de impacto. Sus recomendaciones para añadir más recursos oficiales de acceso libre y gratuito serán bienvenidas en los comentarios.

Hasta aquí el post del día de hoy y recuerda que puedes seguirme en Twitter y mantenerte informado de lo último de ciencia, tecnología e innovación en el mundo de la economía y las finanzas.

¡Hasta la próxima!