Glosario IA
El diccionario completo de la Inteligencia Artificial
Dynamic Time Warping (DTW)
Algoritmo de medición de similitud que alinea dinámicamente dos series temporales permitiendo deformaciones temporales para minimizar la distancia acumulada entre los puntos correspondientes.
Algoritmo k-Shape
Método de clustering específico para series temporales basado en la forma, utilizando una medida de distancia invariante a la traslación y rotación para agrupar series con patrones similares.
Soft-DTW
Variante diferenciable de Dynamic Time Warping que reemplaza la operación min por una aproximación suave, permitiendo su uso en redes neuronales y optimización por descenso de gradiente.
Baricentro Temporal
Media temporal de un conjunto de series temporales alineadas, que representa el centroide de un clúster y sirve como referencia para algoritmos tipo k-means adaptados a series temporales.
Clustering por Autoencoder
Enfoque que combina aprendizaje no supervisado y clustering utilizando autoencoders para extraer características relevantes antes de aplicar un algoritmo de clustering en el espacio latente.
Shape-Based Distance (SBD)
Medida de distancia basada en la correlación cruzada normalizada, diseñada para capturar la similitud de forma entre series temporales independientemente de los desfases temporales.
Clustering Profundo Temporal
Método de clustering profundo que integra las dependencias temporales directamente en la arquitectura de la red, a menudo a través de capas LSTM o GRU para capturar patrones secuenciales.
Clustering por Wavelet
Técnica que utiliza la transformada wavelet para descomponer las series temporales en diferentes frecuencias, permitiendo el clustering basado en características multiescala.
K-Means para Series Temporales
Adaptación del algoritmo k-means estándar para series temporales, utilizando métricas de distancia específicas como DTW o SBD en lugar de la distancia euclidiana clásica.
Clustering por Cointegración
Método estadístico que agrupa series temporales que comparten una relación de equilibrio a largo plazo, particularmente útil para series financieras y económicas no estacionarias.
Clustering Espectral Temporal
Extensión del clustering espectral a las series temporales, construyendo una matriz de similitud temporal y utilizando los valores propios para identificar clusters en el espacio espectral.
Clustering por Transformada de Fourier
Enfoque basado en la representación frecuencial de las series temporales, agrupando series con firmas espectrales similares independientemente de su alineación temporal.
DBSCAN Temporal
Adaptación de DBSCAN para series temporales utilizando una medida de distancia temporal y permitiendo la identificación de clusters de formas variables y de puntos atípicos temporales.
Clustering por Descomposición Singular
Método basado en la SVD para extraer los componentes principales de un conjunto de series temporales, utilizando estos componentes para el clustering en un espacio de dimensión reducida.
Clustering Basado en Shapelets
Técnica que identifica subsecuencias discriminantes (shapelets) y utiliza su presencia o ausencia como características para agrupar series temporales con patrones locales similares.
Clustering por Splines
Método que aproxima las series temporales mediante funciones spline para reducir el ruido y capturar la tendencia subyacente antes de aplicar el clustering sobre los coeficientes spline.
Clustering Jerárquico Temporal
Enfoque jerárquico que utiliza medidas de similitud temporales para construir un dendrograma de series, permitiendo la identificación de estructuras de clustering a diferentes resoluciones temporales.
Clustering mediante LSTM-Autoencoder
Arquitectura que combina LSTM para capturar las dependencias temporales y autoencoders para el aprendizaje de representaciones compactas, seguido de un clustering en el espacio latente.