Glosario IA
El diccionario completo de la Inteligencia Artificial
Ventana Deslizante (Sliding Window)
Método de ingeniería de características que segmenta una serie temporal en subsecuencias de tamaño fijo que se desplazan un paso temporal a la vez para crear muestras de entrenamiento.
Descomposición STL (Seasonal-Trend decomposition using Loess)
Algoritmo robusto que descompone una serie temporal en tres componentes: tendencia, estacionalidad y residuo, facilitando el análisis y modelado para el mantenimiento predictivo.
Diferenciación Temporal
Transformación de estacionarización que calcula la diferencia entre observaciones sucesivas para eliminar la tendencia y hacer la serie temporal más estable para el modelado.
Detección de Anomalías por Isolation Forest
Algoritmo de limpieza que aísla las observaciones construyendo árboles de decisión aleatorios, donde las anomalías se identifican por su camino más corto hacia una hoja.
Normalización Min-Max Temporal
Método de escalado que transforma los valores de una serie temporal en un rango fijo [0, 1] usando los mínimos y máximos de la ventana de entrenamiento para preservar las relaciones temporales.
Ingeniería de Características de Retardo (Lag)
Creación de variables explicativas basadas en los valores desplazados (lags) de la serie temporal original para capturar dependencias temporales y autocorrelación.
Agregación Temporal por Media Móvil
Técnica de reducción de ruido que calcula el promedio de observaciones sobre una ventana temporal deslizante para suavizar fluctuaciones a corto plazo y revelar tendencias subyacentes.
Estandarización Z-Score Temporal
Normalización que resta la media y divide por la desviación estándar calculadas sobre una ventana temporal para centrar y reducir los datos, haciendo los modelos menos sensibles a escalas.
Codificación Cíclica de Características Temporales
Transformación que representa las características temporales cíclicas (hora, día, mes) mediante sus senos y cosenos para preservar la naturaleza circular del tiempo en los modelos.
Imputación por KNN Temporal
Método de relleno de valores faltantes que utiliza los k vecinos más cercanos en el tiempo para estimar el valor faltante, basado en la similitud de las secuencias adyacentes.
Filtrado Pasa-Bajos de Butterworth
Técnica de eliminación de ruido que elimina las altas frecuencias de una serie temporal mientras preserva las bajas frecuencias, utilizando un filtro con una respuesta en frecuencia plana en la banda de paso.
Remuestreo Temporal (Resampling)
Proceso que modifica la frecuencia de muestreo de una serie temporal mediante sobremuestreo (upsampling) o submuestreo (downsampling) para alinear los datos en una cuadrícula temporal uniforme.
Detección de Puntos de Cambio (Change Point Detection)
Algoritmo que identifica los momentos donde las propiedades estadísticas de una serie temporal cambian significativamente, crucial para detectar transiciones entre estados operacionales.
Transformada de Ondículas (Wavelet Transform)
Técnica de descomposición que analiza una serie temporal a diferentes frecuencias y resoluciones temporales, permitiendo aislar características locales para la detección de fallos.
Creación de Características Estadísticas Móviles
Generación de variables descriptivas calculadas sobre ventanas temporales deslizantes como la varianza, asimetría o curtosis para capturar la dinámica local de las señales.
Imputación por Interpolación Spline
Método avanzado de relleno de valores faltantes que utiliza polinomios por tramos para crear una curva suave que pasa por los puntos de datos conocidos.