BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//pretalx//pretalx.com//pycones-2024//talk//FCBERA
BEGIN:VTIMEZONE
TZID:CET
BEGIN:STANDARD
DTSTART:20001029T040000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10
TZNAME:CET
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
END:STANDARD
BEGIN:DAYLIGHT
DTSTART:20000326T030000
RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3
TZNAME:CEST
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
END:DAYLIGHT
END:VTIMEZONE
BEGIN:VEVENT
UID:pretalx-pycones-2024-FCBERA@pretalx.com
DTSTART;TZID=CET:20241006T100000
DTEND;TZID=CET:20241006T103500
DESCRIPTION:Casi todas las series temporales tienen ahora algo en común: d
 urante dos años se comportaron de forma extraña por culpa del Covid-19. 
 Da igual que hablemos de las ventas de un supermercado\, del consumo eléc
 trico\, del tráfico de una carretera o del precio de la vivienda\, todas 
 ellas se han visto impactadas en mayor o menor medida\, aunque no tengan d
 irectamente que ver con la pandemia. Los patrones temporales de prácticam
 ente todas las series temporales muestran variaciones no predecibles difer
 entes de las de otros periodos\, porque el comportamiento de todos nosotro
 s cambió en muchos y diferentes ámbitos.\nEsos dos años de excepcionali
 dad\, que van desde marzo de 2020 hasta bien entrado 2022\, dependiendo de
  la serie temporal que se analice\, hacen que esos datos no sean una buena
  opción para entrenar modelos sin aplicarles ningún procesamiento adicio
 nal\, pues los modelos aprenderán patrones que (esperemos) no se van a re
 petir en el futuro.\nPor si fuera poco\, desde que hemos vuelto a la norma
 lidad\, tenemos sólo 2 años de datos correctos\, lo que es a todas luces
  insuficiente como para entrenar y validar un modelo en la mayoría de los
  casos. Los datos anteriores a 2020 sí que pueden ser válidos\, dependie
 ndo de la predicción que hagamos\, pero tenemos un salto entre ellos y lo
 s actuales que evita un uso sencillo de los mismos. En ambos casos\, el re
 sultado es que no suele funcionar bien desestimar los datos de los dos añ
 os problemáticos.\nEn esta charla analizaremos las alternativas que tenem
 os para evitar que la predicción de series temporales\, que ya de por sí
  tienen dificultades a superar\, se transformen en insalvables por culpa d
 el Covid-19. Veremos qué técnicas pueden servir en diferentes casos y qu
 é técnicas no suelen ser una buena idea. Puede que esto sea un problema 
 temporal hasta que la pandemia quede atrás\, y la variación de los datos
  que supuso deje de afectar\, pero hasta entonces nos quedan unos cuantos 
 años de científicos de datos peleándose con series temporales especialm
 ente complicadas.
DTSTAMP:20260513T183739Z
LOCATION:Saraiba
SUMMARY:Cómo el Covid está fastidiando la predicción de series temporale
 s y qué hacer para evitarlo - Mireya\, Jorge Raúl Gómez Sánchez
URL:https://pretalx.com/pycones-2024/talk/FCBERA/
END:VEVENT
END:VCALENDAR