El Diplomado en Modelos de Series Temporales para Ingeniería (ARIMA→DL) se centra en el análisis predictivo de datos secuenciales, integrando técnicas de modelado ARIMA y aprendizaje profundo (DL). Aplica estas metodologías en diversos campos de la ingeniería, como la predicción de demanda, control de procesos, y análisis de señales. Se exploran herramientas y software para el desarrollo de modelos, cubriendo desde la preparación de datos hasta la evaluación de la precisión. Permite comprender y aplicar modelos avanzados de series temporales para la resolución de problemas de ingeniería.
El diplomado proporciona una base sólida en estadística y aprendizaje automático, necesaria para el análisis de datos temporales. Se enfoca en la implementación práctica de modelos, ofreciendo experiencia en el uso de librerías y frameworks de Python. El objetivo es capacitar a los profesionales para analizar, modelar y predecir el comportamiento de sistemas dinámicos a lo largo del tiempo, optimizando la toma de decisiones en diversos sectores industriales.
Palabras clave objetivo (naturales en el texto): series temporales, modelado ARIMA, aprendizaje profundo, predicción, control de procesos, análisis de datos, Python, estadística, aprendizaje automático, ingeniería.
1.795 €
Aquí tienes el contenido solicitado:
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
4. Ingeniería Predictiva: De ARIMA a Deep Learning en Series Temporales
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
**Requisitos recomendados:** Se recomienda una base sólida en aerodinámica, control de sistemas y estructuras. Se requiere un nivel de idioma Español/Inglés B2+/C1. Se ofrecen cursos puente (bridging tracks) para cubrir posibles brechas de conocimiento.
Módulo 1 — Introducción a Series Temporales y ARIMA
1.1 ¿Qué son las series temporales? Definición y ejemplos en ingeniería.
1.2 Componentes de una serie temporal: tendencia, estacionalidad, ciclo y ruido.
1.3 Análisis exploratorio de datos (EDA) para series temporales: visualización y resumen estadístico.
1.4 Introducción al modelo ARIMA: conceptos clave y componentes (AR, I, MA).
1.5 Estacionariedad: definición, pruebas (Dickey-Fuller) y transformación de datos.
1.6 Selección de modelos ARIMA: funciones de autocorrelación (ACF) y autocorrelación parcial (PACF).
1.7 Estimación de parámetros ARIMA: métodos y validación del modelo.
1.8 Pronóstico con ARIMA: generación de predicciones y evaluación del rendimiento.
1.9 Aplicaciones de ARIMA en ingeniería: ejemplos prácticos y casos de estudio.
1.10 Limitaciones de ARIMA y anticipación a modelos más complejos.
2.2 Introducción a las Series Temporales en Ingeniería
2.2 Fundamentos de ARIMA: Teoría y Aplicaciones
2.3 Implementación de ARIMA: Análisis y Predicción
2.4 Introducción a las Redes Neuronales para Series Temporales
2.5 Arquitecturas de Redes Neuronales: RNN, LSTM, GRU
2.6 Preparación de Datos para Modelado Predictivo
2.7 Entrenamiento y Optimización de Modelos: ARIMA y Redes Neuronales
2.8 Evaluación y Validación de Modelos: Métricas y Técnicas
2.9 Comparación y Selección de Modelos: ARIMA vs. Redes Neuronales
2.20 Estudio de Caso: Aplicaciones en Ingeniería
3.3 Introducción a las Series Temporales: Definición y Componentes
3.2 Exploración de Datos: Visualización y Análisis Descriptivo
3.3 Conceptos Clave: Estacionariedad, Autocorrelación y Correlación Parcial
3.4 Introducción a ARIMA: Origen y Fundamentos
3.5 Aplicaciones en Ingeniería: Ejemplos y Casos de Estudio
3.6 Herramientas y Software: Introducción a R, Python y otras plataformas
2.3 Teoría ARIMA: Componentes (AR, I, MA) y Notación
2.2 Identificación del Modelo: Análisis de Autocorrelación y Correlación Parcial
2.3 Estimación de Parámetros: Métodos y Técnicas
2.4 Diagnóstico del Modelo: Residuos y Validación
2.5 Práctica con Datos Reales: Implementación y Ajuste
2.6 Interpretación y Predicción: Extrapolación y Pronóstico
3.3 Limitaciones de ARIMA: Cuando y Por Qué Necesitamos Deep Learning
3.2 Introducción a Redes Neuronales Recurrentes (RNN): Conceptos Básicos
3.3 RNNs para Series Temporales: Arquitecturas (LSTM, GRU)
3.4 Preparación de Datos para Deep Learning: Preprocesamiento y Escalado
3.5 Implementación en Python: Keras y TensorFlow
3.6 Comparación ARIMA vs Deep Learning: Ventajas y Desventajas
3.7 Integración y Ensamble: Modelos Híbridos
4.4 Introducción a las Series Temporales: Definición y Tipos
4.2 Importación y Limpieza de Datos: Manejo de valores faltantes y outliers
4.3 Análisis Exploratorio de Datos (EDA): Visualización y análisis de patrones
4.4 Descomposición de Series Temporales: Tendencia, estacionalidad y residuos
4.5 Estacionariedad: Pruebas y transformaciones
4.6 Preprocesamiento Avanzado: Normalización y escalado de datos
2.4 Fundamentos de ARIMA: Autocorrelación y autocorrelación parcial
2.2 Modelado ARIMA: Identificación, estimación y diagnóstico
2.3 Selección de Modelos ARIMA: Criterios de información y validación cruzada
2.4 Aplicaciones de ARIMA: Predicción y análisis de series temporales
2.5 Ajuste y Optimización de Modelos ARIMA: Mejora del rendimiento
2.6 Implementación de ARIMA: Uso de librerías en Python
3.4 Introducción al Deep Learning: Conceptos clave y tipos de redes neuronales
3.2 Redes Neuronales Recurrentes (RNN): Arquitecturas y funcionamiento
3.3 Redes LSTM y GRU: Conceptos y aplicaciones
3.4 Preparación de Datos para Deep Learning: Ventanas de tiempo y secuencias
3.5 Implementación de RNN: Uso de frameworks como TensorFlow/Keras
3.6 Evaluación de Modelos de Deep Learning: Métricas y funciones de pérdida
4.4 Arquitecturas Avanzadas: Redes Convolucionales (CNN) y Transformers
4.2 CNN para Series Temporales: Aplicaciones y ventajas
4.3 Transformers: Mecanismo de atención y modelado de secuencias
4.4 Arquitecturas Híbridas: Combinación de diferentes tipos de redes
4.5 Regularización y Optimización: Técnicas para mejorar el rendimiento
4.6 Implementación Avanzada: Diseño y optimización de modelos complejos
5.4 Estrategias Híbridas: Combinación de ARIMA y Deep Learning
5.2 Modelos Ensemble: Promediado y stacking
5.3 Selección del Mejor Modelo: Comparación y evaluación de estrategias
5.4 Optimización de Parámetros: Ajuste fino de modelos híbridos
5.5 Aplicaciones Específicas: Casos de uso y resultados
5.6 Herramientas y Librerías: Implementación en Python
6.4 Métricas de Evaluación: Error cuadrático medio, MAE, MAPE
6.2 Validación Cruzada: Técnicas y estrategias
6.3 Ajuste de Hiperparámetros: Optimización y búsqueda de modelos
6.4 Overfitting y Underfitting: Detección y mitigación
6.5 Despliegue de Modelos: Flask y otras herramientas
6.6 Monitorización y Mantenimiento: Actualización de modelos y análisis de rendimiento
5.5 ¿Qué son las series temporales? Definición y ejemplos.
5.5 Componentes de una serie temporal: Tendencia, estacionalidad y ruido.
5.3 Descomposición de series temporales: Aditiva y multiplicativa.
5.4 Exploración de datos: Visualización y análisis descriptivo.
5.5 Introducción a la estacionariedad y transformaciones.
5.6 Importancia del modelado de series temporales en ingeniería.
5.7 Herramientas y software para el análisis de series temporales.
5.8 Conceptos básicos de evaluación de modelos.
5.5 Conceptos clave de ARIMA: Autocorrelación, autocorrelación parcial.
5.5 Modelado ARIMA: Identificación, estimación, diagnóstico y predicción.
5.3 Funciones de autocorrelación (ACF) y autocorrelación parcial (PACF).
5.4 Selección de órdenes p, d, q para el modelo ARIMA.
5.5 Implementación práctica de ARIMA con software especializado.
5.6 Validación y diagnóstico del modelo ARIMA.
5.7 Predicción con modelos ARIMA y cálculo de intervalos de confianza.
5.8 Limitaciones de ARIMA y casos de uso.
3.5 Motivación para el uso del Deep Learning en series temporales.
3.5 Introducción a las redes neuronales recurrentes (RNNs).
3.3 La arquitectura LSTM: Understanding y aplicaciones.
3.4 La arquitectura GRU: Alternativas a LSTM.
3.5 Preparación de datos para modelos de Deep Learning.
3.6 Comparación entre ARIMA y Deep Learning.
3.7 Ventajas y desventajas del Deep Learning.
3.8 Consideraciones para la transición.
4.5 Arquitecturas de redes neuronales para series temporales.
4.5 Diseño y configuración de modelos LSTM y GRU.
4.3 Entrenamiento de modelos de redes neuronales.
4.4 Hiperparámetros y optimización de modelos.
4.5 Regularización y control del sobreajuste.
4.6 Evaluación de modelos de redes neuronales.
4.7 Predicción con modelos de redes neuronales.
4.8 Ajuste fino de modelos y optimización.
5.5 Modelos híbridos: Combinación de ARIMA y Deep Learning.
5.5 Diferentes estrategias de combinación.
5.3 Implementación de modelos híbridos.
5.4 Ventajas y desventajas de los modelos híbridos.
5.5 Selección del modelo adecuado (ARIMA, DL, Híbrido).
5.6 Optimización de modelos híbridos.
5.7 Evaluación de modelos híbridos.
5.8 Predicción con modelos híbridos.
6.5 Métricas de evaluación de modelos: MAE, MSE, RMSE, etc.
6.5 Validación cruzada para series temporales.
6.3 Análisis de residuos.
6.4 Selección del mejor modelo.
6.5 Implementación de pipelines de predicción.
6.6 Despliegue de modelos en entornos de producción.
6.7 Monitorización del rendimiento del modelo.
6.8 Retraining del modelo.
7.5 Aplicaciones en ingeniería: Predicción de demanda.
7.5 Aplicaciones en ingeniería: Control de calidad.
7.3 Aplicaciones en ingeniería: Optimización de procesos.
7.4 Aplicaciones en ingeniería: Mantenimiento predictivo.
7.5 Aplicaciones en ingeniería: Gestión de inventario.
7.6 Estudio de casos: Predicción de fallos en máquinas.
7.7 Estudio de casos: Pronóstico de ventas.
7.8 Estudio de casos: Análisis de datos de sensores.
8.5 Estudio de caso: Predicción del precio del petróleo.
8.5 Estudio de caso: Predicción del tráfico en una red.
8.3 Estudio de caso: Predicción de la producción de energía.
8.4 Análisis de datos de mercado financiero.
8.5 Estudios de caso: Selección de modelo y ajuste fino.
8.6 Presentación de los resultados y conclusiones.
8.7 Discusión sobre las lecciones aprendidas.
8.8 Tendencias futuras en el modelado de series temporales.
6.6 Introducción a las Series Temporales: Conceptos Fundamentales
6.2 Análisis Exploratorio de Datos (AED): Visualización y Estadísticas Descriptivas
6.3 Modelado ARIMA: Teoría, Implementación y Ajuste
6.4 Diagnóstico y Validación de Modelos ARIMA
6.5 Introducción a las Redes Neuronales para Series Temporales
6.6 Modelos de Redes Neuronales Recurrentes (RNN): LSTM y GRU
6.7 Implementación y Entrenamiento de Modelos Deep Learning
6.8 Comparación y Selección de Modelos: ARIMA vs. Deep Learning
6.9 Aplicaciones Prácticas: Estudios de Caso en Ingeniería
6.60 Predicción y Toma de Decisiones: Estrategias y Consideraciones
7. 7 Conceptos básicos de series temporales.
2. 2 Componentes de una serie temporal: tendencia, estacionalidad y ruido.
3. 3 Tipos de series temporales: estacionarias y no estacionarias.
4. 4 Importancia del análisis de series temporales en ingeniería.
7. 7 Ejemplos de aplicaciones en ingeniería.
6. 6 Herramientas y software para el análisis de series temporales.
7. 7 Introducción a los modelos ARIMA y Deep Learning.
8. 8 El futuro del modelado de series temporales en ingeniería.
9. 2. 7 Fundamentos de los modelos ARIMA: Autocorrelación y autocorrelación parcial.
70. 2. 2 Componentes de un modelo ARIMA: p, d, q.
77. 2. 3 Proceso de identificación de un modelo ARIMA.
72. 2. 4 Estimación de parámetros y diagnóstico del modelo.
73. 2. 7 Selección del mejor modelo ARIMA.
74. 2. 6 Validación y prueba del modelo.
77. 2. 7 Implementación de un modelo ARIMA en software.
76. 2. 8 Ejemplos prácticos y ejercicios de modelado ARIMA.
77. 3. 7 Limitaciones de ARIMA.
78. 3. 2 Introducción a las redes neuronales: conceptos básicos.
79. 3. 3 Arquitecturas de redes neuronales para series temporales.
20. 3. 4 Funciones de activación y capas en redes neuronales.
27. 3. 7 Preprocesamiento de datos para redes neuronales.
22. 3. 6 Entrenamiento y optimización de redes neuronales.
23. 3. 7 Ventajas y desventajas del Deep Learning para series temporales.
24. 3. 8 Selección del modelo adecuado: ARIMA vs. Deep Learning.
27. 4. 7 Tipos de redes neuronales para series temporales: RNN, LSTM, GRU.
26. 4. 2 Diseño de la arquitectura de una red neuronal.
27. 4. 3 Entrenamiento y ajuste de hiperparámetros en redes neuronales.
28. 4. 4 Regularización y prevención del sobreajuste.
29. 4. 7 Técnicas de optimización en redes neuronales.
30. 4. 6 Evaluación del rendimiento de las redes neuronales.
37. 4. 7 Implementación de redes neuronales en software.
32. 4. 8 Casos prácticos y ejemplos de modelado con redes neuronales.
33. 7. 7 Introducción a los modelos híbridos: ARIMA y Deep Learning.
34. 7. 2 Combinación de modelos: enfoques y estrategias.
37. 7. 3 Diseño de modelos híbridos: selección de componentes.
36. 7. 4 Entrenamiento y ajuste de modelos híbridos.
37. 7. 7 Ventajas de los modelos híbridos.
38. 7. 6 Evaluación del rendimiento de modelos híbridos.
39. 7. 7 Ejemplos prácticos de modelos híbridos.
40. 7. 8 Despliegue y monitorización de modelos híbridos.
47. 6. 7 Métricas de evaluación: RMSE, MAE, MAPE.
42. 6. 2 Validación cruzada y técnicas de resampling.
43. 6. 3 Análisis de residuos y diagnóstico del modelo.
44. 6. 4 Interpretación de resultados y análisis de sensibilidad.
47. 6. 7 Despliegue de modelos en entornos de producción.
46. 6. 6 Monitorización del rendimiento del modelo.
47. 6. 7 Reentrenamiento y actualización del modelo.
48. 6. 8 Consideraciones de escalabilidad y rendimiento.
49. 7. 7 Aplicaciones en el sector energético: predicción de demanda y generación.
70. 7. 2 Aplicaciones en el sector financiero: predicción de precios y riesgo.
77. 7. 3 Aplicaciones en la industria manufacturera: control de calidad y mantenimiento predictivo.
72. 7. 4 Aplicaciones en logística: predicción de inventario y demanda.
73. 7. 7 Aplicaciones en el sector de la salud: predicción de enfermedades y tendencias.
74. 7. 6 Desafíos y oportunidades en las aplicaciones de ingeniería.
77. 7. 7 Consideraciones éticas y sociales en la predicción.
76. 7. 8 Tendencias futuras y nuevas aplicaciones.
77. 8. 7 Estudio de caso: Predicción de la demanda de energía.
78. 8. 2 Estudio de caso: Predicción de precios de acciones.
79. 8. 3 Estudio de caso: Control de calidad en la fabricación.
60. 8. 4 Estudio de caso: Predicción de ventas y demanda en retail.
67. 8. 7 Estudio de caso: Análisis de series temporales en el sector salud.
62. 8. 6 Discusión de casos prácticos y resultados.
63. 8. 7 Lecciones aprendidas y mejores prácticas.
64. 8. 8 Conclusiones y próximos pasos.
8.8 Fundamentos de Series Temporales: Definición y Características.
8.8 Componentes de una Serie Temporal: Tendencia, Estacionalidad y Ruido.
8.3 Exploración de Datos: Visualización y Estadísticas Descriptivas.
8.4 Transformaciones de Datos: Estabilización de Varianza y Normalización.
8.5 Autocorrelación y Funciones de Autocorrelación (ACF y PACF).
8.6 Análisis de Estacionariedad: Pruebas de Raíz Unitaria (ADF, KPSS).
8.7 Descomposición de Series Temporales: Aditiva y Multiplicativa.
8.8 Limpieza y Preprocesamiento de Datos para Modelado.
8.8 Introducción al Modelado ARIMA: Autoregression, Integrated, Moving Average.
8.8 Identificación del Modelo: Orden (p, d, q) y Selección de Parámetros.
8.3 Estimación de Parámetros: Métodos de Máxima Verosimilitud.
8.4 Diagnóstico del Modelo: Análisis de Residuos, Pruebas de Bondad de Ajuste.
8.5 Predicción con ARIMA: Pronóstico y Intervalos de Confianza.
8.6 Modelos ARIMA Estacionales: SARIMA.
8.7 Implementación Práctica: Uso de Software y Librerías.
8.8 Ajuste Fino y Optimización de Modelos ARIMA.
3.8 Introducción al Deep Learning: Fundamentos y Conceptos Clave.
3.8 Redes Neuronales Artificiales: Estructura y Funcionamiento.
3.3 Funciones de Activación: Tipos y Aplicaciones.
3.4 Aprendizaje Supervisado y No Supervisado.
3.5 Introducción a las Redes Neuronales Recurrentes (RNN).
3.6 Introducción a las Redes LSTM y GRU.
3.7 Uso de Frameworks de Deep Learning: TensorFlow, Keras.
3.8 Preparación de Datos para Deep Learning: Escalado y División.
4.8 Arquitecturas de Redes Neuronales para Series Temporales.
4.8 Redes Recurrentes: Estructura y Funcionamiento.
4.3 Redes LSTM: Diseño y Aplicaciones.
4.4 Redes GRU: Alternativas y Comparaciones.
4.5 Redes Convolucionales para Series Temporales.
4.6 Diseño de la Arquitectura: Capas, Neuronas y Hiperparámetros.
4.7 Regularización y Prevención de Overfitting.
4.8 Selección de la Arquitectura: Criterios y Pruebas.
5.8 Integración ARIMA y Deep Learning: Motivación y Estrategias.
5.8 Enfoque Híbrido: Combinación de Modelos ARIMA y RNN.
5.3 Enfoque de Características: Uso de ARIMA como Preprocesamiento.
5.4 Enfoque de Predicción: Combinación de Predicciones.
5.5 Diseño e Implementación de Modelos Híbridos.
5.6 Evaluación de Modelos Híbridos: Métricas y Comparativas.
5.7 Ajuste y Optimización de Modelos Integrados.
5.8 Comparación de Diferentes Estrategias de Integración.
6.8 Métricas de Evaluación: MAE, MSE, RMSE, MAPE.
6.8 Validación Cruzada: Métodos y Aplicaciones.
6.3 Análisis de Residuos: Importancia y Técnicas.
6.4 Overfitting y Underfitting: Detección y Soluciones.
6.5 Despliegue de Modelos: Implementación en Entornos Reales.
6.6 Monitoreo de Modelos en Producción.
6.7 Actualización de Modelos y Reentrenamiento.
6.8 Consideraciones Éticas y Sesgos en el Modelado Predictivo.
7.8 Aplicaciones en Ingeniería Civil: Predicción de Tráfico.
7.8 Aplicaciones en Ingeniería Eléctrica: Predicción de Demanda Energética.
7.3 Aplicaciones en Ingeniería Industrial: Control de Calidad.
7.4 Aplicaciones en Ingeniería de Procesos: Optimización de Procesos.
7.5 Aplicaciones en Ingeniería de Software: Predicción de Fallos.
7.6 Estudio de Casos de Éxito.
7.7 Selección de la Herramienta de Ingeniería Adecuada.
7.8 Implementación de las Aplicaciones.
8.8 Estudio de Caso: Predicción de Ventas.
8.8 Estudio de Caso: Análisis del Precio de las Acciones.
8.3 Estudio de Caso: Predicción del Consumo de Agua.
8.4 Estudio de Caso: Predicción de la Contaminación del Aire.
8.5 Estudio de Caso: Análisis del Rendimiento de los Equipos.
8.6 Presentación de resultados y análisis.
8.7 Comparación de modelos.
8.8 Conclusiones y lecciones aprendidas.
8.8 Propuestas para futuro.
8.80 Caso Clínico: Go/No-Go con matriz de riesgos.
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.
SEIUM-UNIVERSIDAD INTERNACIONAL DE INGENIERÍA AVANZADA MULTIMODAL
Copyright © 2025 Seium, Todos los Derechos Reservados.