Curso
Análisis de series temporales en Python
4 h
70.6K
Introducción al procesamiento de señales
El procesamiento de señales es una disciplina fundamental en ciencia de datos que se ocupa de extraer, analizar y manipular señales y datos de series temporales. Es un campo amplio que puede volverse complejo. Esta guía te presentará los conceptos e ideas básicas que necesitas para moverte con soltura al procesar señales, ya sean datos de un sensor de presión o tendencias del mercado bursátil.
¿Qué son las señales y los datos de series temporales?
En el contexto del procesamiento de señales, una señal es cualquier tipo de información que varía en el tiempo o en el espacio. Las señales adoptan muchas formas, desde formas de onda de audio y lecturas de temperatura hasta datos de mercados financieros y mediciones de sensores.
Los datos de series temporales son un subconjunto de señales en los que las mediciones se registran en puntos sucesivos en el tiempo. Las señales pueden ser analógicas (continuas) o digitales (discretas).
Señales en tiempo continuo vs. tiempo discreto
Los datos de señal pueden clasificarse en dos tipos principales: continuos y discretos.
Las señales continuas se miden y registran a lo largo de un rango continuo, e incluyen señales analógicas como las ondas sonoras y las mediciones de temperatura (de termómetros analógicos).
Las señales discretas se registran en puntos concretos y diferenciados. Este tipo de datos es más habitual en aplicaciones prácticas debido a la naturaleza discreta de la adquisición y el almacenamiento de datos actuales.
Las mediciones de sensores digitales y los datos de mercados financieros muestreados a intervalos fijos son ejemplos de señales en tiempo discreto.
La importancia del procesamiento de señales en ciencia de datos
A menudo, los datos de señal en bruto son difíciles de interpretar.
Imagina ver los datos de la forma de onda de un pódcast, por ejemplo. El procesamiento de señales permite extraer información valiosa de estos datos en bruto que quizá no sea evidente a simple vista. Esta información puede utilizarse para tomar decisiones informadas, detectar oportunidades o resolver problemas complejos en distintos ámbitos.
El procesamiento de señales también es muy útil en el preprocesamiento de datos.
Los datos del mundo real suelen tener ruido, y las técnicas de procesamiento de señales permiten a los data scientists eliminar perturbaciones no deseadas, valores atípicos y artefactos, obteniendo conjuntos de datos más limpios y fiables. Estos datos limpios son esenciales para el modelado preciso, las predicciones y otras tareas avanzadas de análisis de datos. Además, el procesamiento de señales está en el núcleo de muchos algoritmos y modelos avanzados usados en ciencia de datos, como la predicción de series temporales, la detección de anomalías y el reconocimiento de imágenes y voz.
Figura 1: Imagen artística que muestra el audiograma (frecuencias sonoras) de una persona que graba un pódcast. Este tipo de audiograma es un ejemplo de señal. Crédito: DALL-E.
Series temporales
Los datos de series temporales son un tipo de señal con orden temporal, donde cada punto de datos está asociado a una marca de tiempo concreta. Esta estructura temporal permite analizar tendencias, estacionalidad y patrones cíclicos. Hay numerosos recursos disponibles para el análisis de series temporales en Python y series temporales con R.
Predicción de series temporales y extracción de variables para machine learning
La predicción de series temporales es una subárea del procesamiento de señales que busca prever valores futuros a partir de datos históricos. La predicción cumple un papel clave en múltiples sectores, ya que permite a las empresas tomar decisiones informadas, optimizar la asignación de recursos y anticipar tendencias del mercado. Consiste en analizar patrones y tendencias en datos temporales para intentar predecir pasos de tiempo futuros.
Para una visión detallada de la predicción de series temporales, echa un vistazo al tutorial de predicción de series temporales.
Técnicas de visualización de datos de señal
A menudo, las señales se entienden mejor con visualizaciones. Hay varios gráficos que se usan habitualmente para distintos tipos de datos de señal.
Los gráficos de líneas son una forma sencilla pero potente de visualizar datos de señal, donde el eje y representa el valor de la señal y el eje x corresponde a una métrica secuencial, como el tiempo, los metros o el número de muestra. Estos gráficos ofrecen una comprensión inmediata de tendencias y fluctuaciones.
Una forma de onda de audio es una manera común de visualizar el sonido. Habrás visto estos gráficos al reproducir música o escuchar un pódcast, ya que muchas aplicaciones los muestran en tiempo real.
Otra visualización habitual es el espectrograma o audiograma. Y los datos bursátiles suelen mostrarse como una serie de diagramas de cajas, llamados velas japonesas, para reflejar tendencias a lo largo del tiempo.
Figura 3: Ejemplo de forma de onda de audio que representa sonido. Crédito: DALL-E.
Figura 4: Ejemplo de un gráfico de velas utilizado en el análisis bursátil. Origen de la imagen
Herramientas para el procesamiento de señales
Introducción a MATLAB y Python para procesamiento de señales
En el ámbito del procesamiento de señales y el análisis de series temporales, dos herramientas de programación muy utilizadas son MATLAB y Python.
MATLAB, desarrollado por MathWorks, es una herramienta potente y versátil ampliamente usada en ingeniería, matemáticas e investigación científica. Su amplia documentación, las funciones incorporadas para procesamiento de señales y su interfaz y capacidades de visualización fáciles de usar lo convierten en una gran opción. Su principal desventaja es el precio.
Si te interesa usar MATLAB para procesamiento de señales, explora la Signal Processing Toolbox y la Audio Toolbox, ambas con documentación extensa y ejemplos interactivos.
Python es una alternativa gratuita que muchos data scientists utilizan para tareas de procesamiento de señales. Si te planteas pasar de Matlab a Python, no te pierdas este curso de Python para usuarios de MATLAB de DataCamp.
Librerías como NumPy, Pandas y SciPy ofrecen soporte para el análisis de series temporales. Aunque hay abundante documentación para Python, su naturaleza de código abierto a veces complica encontrar justo la documentación que necesitas para tu caso.
Para tareas de procesamiento de señales, te recomiendo este repositorio de GitHub.
Técnicas de preprocesamiento y filtrado en procesamiento de señales
El preprocesamiento de datos es un paso crucial en el procesamiento de señales que sienta las bases para un análisis preciso y con sentido. En función de tus datos y de tu análisis, puede implicar tratar datos irregulares o ausentes mediante métodos de remuestreo e interpolación, o suavizar tus datos usando distintos filtros.
Cómo tratar datos irregulares o ausentes: remuestreo e interpolación
Al trabajar con datos de señal, puedes encontrarte con intervalos de muestreo irregulares o puntos de datos faltantes, lo que dificulta el análisis y el modelado.
El remuestreo es una técnica para estandarizar los intervalos de los datos. Puede implicar sobremuestreo (aumentar la frecuencia de los puntos de datos) o submuestreo (disminuirla) para obtener una serie temporal regular.
Los métodos de interpolación entran en juego cuando faltan puntos de datos o hay que estimarlos. Entre las técnicas habituales están la interpolación lineal, por splines y basada en el tiempo.
Estos métodos rellenan los huecos estimando valores a partir de los puntos cercanos, lo que permite señales continuas y suaves.
En esencia, remuestreo e interpolación se basan en el mismo concepto para lograr resultados distintos. Ambos interpretan un patrón en los datos y "adivinan" cómo serían los valores siguiendo ese patrón, aunque emplean vías diferentes para conseguirlo.
Figura 5: Ejemplo muy simplificado de cómo la interpolación y el remuestreo pueden limpiar datos desordenados.
Gestión del ruido y los valores atípicos
El ruido y los valores atípicos son frecuentes en datos de señal y pueden dificultar la obtención de insights.
Los valores atípicos son puntos que se desvían notablemente del patrón general, mientras que el ruido se refiere a fluctuaciones aleatorias que pueden ocultar patrones subyacentes.
Los valores atípicos pueden gestionarse con técnicas como la truncación de datos o la winsorización, que consisten en limitar valores extremos a un umbral determinado.
Figura 6: A veces hay ruido o valores atípicos al principio o al final de la señal y puedes resolverlo truncando el conjunto de datos.
Otra opción es tratar los valores atípicos por separado en el análisis, dependiendo de su relevancia e impacto en los resultados.
En última instancia, tu enfoque frente al ruido y los atípicos dependerá de tu conjunto de datos concreto.
Figura 7: Si solo hay unos pocos valores atípicos, puedes eliminarlos manualmente. Como alternativa, podrías eliminar cualquier valor fuera de cierto rango de amplitud.
Un enfoque para manejar el ruido es el suavizado, que reduce el impacto de las fluctuaciones aleatorias.
Esta técnica ayuda a revelar tendencias a largo plazo mientras suprime el ruido de corto plazo. El suavizado tiene a menudo un componente de arte: hay que reducir lo suficiente el ruido de fondo sin pasarse hasta eliminar la propia señal. Dado que el filtrado es un paso tan crucial, lo trataremos con más detalle más adelante.
Ventanas móviles y medias móviles
Las medias móviles y las ventanas deslizantes son técnicas de filtrado sencillas pero eficaces para suavizar series temporales y reducir el impacto del ruido. Las ventanas móviles consisten en calcular una estadística concreta (p. ej., media o desviación estándar) sobre una ventana deslizante de puntos. Este enfoque ayuda a capturar patrones y variaciones localizadas.
La media móvil es una de las aplicaciones más comunes de las ventanas móviles, donde la estadística calculada es la media. Suaviza las fluctuaciones de corto plazo y facilita identificar tendencias y patrones a largo plazo. Son especialmente útiles en análisis financiero para estudiar la evolución de precios en el tiempo.
Figura 8: Ejemplo de cómo una media móvil puede suavizar una señal. Esta media móvil usa una ventana de 3, es decir, cada punto del gráfico de la derecha es la media de tres puntos correspondientes del gráfico de la izquierda.
Filtros pasa-bajo, pasa-alto y pasa-banda
Los filtros pasa-bajo, pasa-alto y pasa-banda son técnicas de filtrado basadas en frecuencia que permiten pasar o bloquear determinados componentes de una señal.
Un filtro pasa-bajo deja pasar las señales de baja frecuencia y atenúa los componentes de frecuencia más alta, por lo que es útil para eliminar ruido y conservar tendencias de cambio lento.
Por el contrario, un filtro pasa-alto permite pasar las señales de alta frecuencia y filtra los componentes de baja frecuencia. Se utilizan a menudo para resaltar eventos de corta duración o cambios bruscos en la serie.
Un filtro pasa-banda permite pasar las señales dentro de una banda de frecuencias específica mientras bloquea las demás. Es útil cuando ciertas bandas contienen información relevante. Por ejemplo, en audio, un filtro pasa-banda puede extraer frecuencias asociadas al habla humana.
Figura 9: Demostración de cómo afectan distintos tipos de filtros a una señal.
Otros filtros y técnicas de suavizado
Elegir el filtro o técnica de suavizado adecuada para tu conjunto de datos puede llevar tiempo.
Un buen método es empezar con un pasa-banda alto o un pasa-banda bajo (según lo que quieras aislar) e iterar desde ahí.
Aquí tienes una lista de técnicas de filtrado más complejas que puedes probar si las más simples no aíslan bien el patrón que buscas:
- Regresión con procesos Gaussianos (documentación en Matlab y Python)
- Transformada wavelet (Matlab, Python)
- Filtros de Kalman (Matlab, Python)
- Filtro IIR de Butterworth (Matlab, Python)
- Filtro FIR de Savitzky-Golay (Matlab, Python).
Análisis en el dominio del tiempo
Las dos formas principales de pensar en las señales son el dominio del tiempo y el dominio de la frecuencia. Empecemos por el tiempo.
El análisis en el dominio del tiempo consiste en examinar el comportamiento de las señales y los puntos de datos respecto al tiempo. En esta sección, veremos tres aspectos importantes: autocorrelación y correlación cruzada, variables en el dominio temporal (media, varianza, asimetría, curtosis, etc.) y análisis de tendencias con métodos de detrendido.
Variables en el dominio temporal: media, varianza, asimetría y curtosis
Calcular distintas estadísticas en el dominio temporal ofrece información valiosa sobre el comportamiento de una serie temporal.
La media refleja la tendencia central de los datos y ofrece una idea del nivel general.
Figura 10: Demostración de la media de una señal. La línea roja indica la media de la distribución en azul.
La varianza mide la dispersión de los puntos de datos alrededor de la media.
Figura 11: Demostración de la métrica de varianza para una señal. Las líneas verdes muestran la varianza alrededor de la media.
La asimetría (skewness) cuantifica la falta de simetría de la distribución e indica si los datos se concentran más hacia un lado.
Figura 12: Demostración de la asimetría de una señal. Al representar la señal como histograma de frecuencias por amplitud, la asimetría se observa en el desequilibrio de las colas del histograma.
La curtosis mide el grosor de las colas de la distribución y caracteriza la presencia de valores extremos.
Figura 13: Demostración de la curtosis de una señal. Al representarla como diagrama de cajas por amplitudes, la curtosis se visualiza por la altura de la caja.
Estas estadísticas te resultarán familiares si has trabajado con distribuciones. Para datos de señal son las mismas que para distribuciones.
Autocorrelación y correlación cruzada
La autocorrelación mide la similitud entre una serie temporal y una versión de sí misma desplazada en el tiempo. Ayuda a identificar patrones repetitivos o comportamientos cíclicos.
Una autocorrelación fuerte en un desfase concreto indica un patrón repetitivo con esa periodicidad. Por ejemplo, en datos de infecciones víricas, la autocorrelación puede revelar la estacionalidad asociada a los brotes.
Figura 14: Ejemplo de uso de la autocorrelación para identificar periodicidad en tu señal. En este ejemplo, partí de una señal muy ruidosa, apliqué un filtro pasa-banda para reducir el ruido y después utilicé una autocorrelación para evaluar cómo se correlaciona la señal consigo misma a distintos desfases. En el gráfico de autocorrelación se aprecia que la señal se repite con un periodo de alrededor de 1000.
La correlación cruzada explora la relación entre dos señales diferentes. Es útil para hallar correlaciones y asociaciones con desfase entre dos variables. Por ejemplo, puede usarse para estudiar la relación entre temperatura y consumo energético a lo largo del tiempo.
Figura 15: Ejemplo de correlación cruzada. En este caso, tenemos dos señales, una con posible periodicidad y otra con periodicidad más marcada. Con la correlación cruzada queremos ver si se correlacionan a distintos desfases. En el gráfico inferior se observa mayor correlación en desfases negativos y casi nula en positivos.
Análisis de tendencias y métodos de detrendido
El análisis de tendencias es útil para comprender el comportamiento subyacente a largo plazo de una señal. Una tendencia representa la dirección general del movimiento de los datos durante un periodo prolongado. Puede ser ascendente (creciente), descendente (decreciente) o plana (estable).
Figura 12: Ejemplo de tres tipos de tendencias: creciente, plana o estable, y decreciente.
Los métodos de detrendido se aplican para separar la tendencia subyacente de la señal, lo que ayuda a centrar el análisis en componentes como la estacionalidad y las fluctuaciones irregulares.
Un método común es la media móvil, donde se resta del original la media de una ventana deslizante. Otros métodos consisten en ajustar un polinomio o usar técnicas como el filtro de Hodrick-Prescott.
A simple vista, el detrendido suena parecido al suavizado, pero realizan tareas distintas. El suavizado reduce el ruido para que las tendencias a largo plazo sean más claras. El detrendido elimina las tendencias a largo plazo para que la periodicidad o la estacionalidad se aprecien mejor. Según tus objetivos, podrías usar ambos.
Visualizar la señal original junto con la señal sin tendencia puede ayudarte a entender mejor el comportamiento de los datos. Los gráficos de líneas o de tallo muestran bien las tendencias y el resultado del detrendido en paralelo.
Figura 16: Este ejemplo demuestra la potencia del detrendido. La señal original presentaba una tendencia ascendente. Tras eliminarla, el patrón resultante ya no mantiene esa trayectoria al alza. Con la tendencia fuera, puedes aplicar un filtro de suavizado para ver mejor el patrón subyacente.
Análisis en el dominio de la frecuencia
El análisis en el dominio de la frecuencia es una técnica potente que permite obtener insights sobre los componentes frecuenciales de los datos.
Transformada de Fourier y densidad espectral de potencia (PSD)
La transformada de Fourier es una técnica matemática que convierte una señal en el dominio temporal en su representación en el dominio frecuencial. Descompone la señal original en una suma de funciones sinusoidales de distintas frecuencias. El espectro resultante ofrece una visión clara de los componentes de frecuencia presentes en la serie temporal.
La visualización del espectro de frecuencias suele hacerse con un gráfico llamado densidad espectral de potencia (PSD). La PSD muestra la potencia (o el cuadrado de la magnitud) de cada componente frecuencial. Los picos en la PSD indican frecuencias dominantes en los datos, lo que puede revelar patrones subyacentes o comportamientos periódicos.
La densidad espectral de potencia es una herramienta básica en el dominio de la frecuencia que muestra cómo se distribuye la potencia respecto a la frecuencia. Proporciona información sobre la intensidad de los distintos componentes frecuenciales presentes en la señal.
Los picos altos en la PSD indican componentes fuertes, mientras que los picos bajos representan componentes más débiles.
Los gráficos de PSD suelen representarse en escala logarítmica para resaltar frecuencias más débiles. Ayudan a identificar frecuencias relevantes que pueden corresponder a patrones o fenómenos específicos en los datos.
Figura 17: Ejemplo de uso de un gráfico de densidad espectral de potencia (PSD) para examinar la fuerza de los distintos componentes de frecuencia. La señal original se filtró con un pasa-banda y después se generó la PSD con una función predeterminada de Matlab.
Espectrograma y análisis tiempo-frecuencia
El espectrograma es una visualización muy útil para examinar cómo cambia en el tiempo el contenido frecuencial de una señal. Proporciona una representación tiempo-frecuencia dividiendo la señal en segmentos pequeños y calculando la transformada de Fourier en cada uno.
Mediante un mapa de color para representar la potencia o magnitud de cada componente de frecuencia, el espectrograma muestra una vista tridimensional de los datos. Las zonas de colores cálidos indican componentes fuertes en determinados intervalos temporales, mientras que las de colores fríos sugieren frecuencias más débiles o inexistentes.
El análisis tiempo-frecuencia ayuda a detectar eventos transitorios o cambios en las características frecuenciales que no se aprecian fácilmente solo en el dominio temporal o frecuencial. Es especialmente útil en aplicaciones de voz y audio, donde distintos fonemas o sonidos presentan componentes diferentes a lo largo del tiempo.
Figura 18: Ejemplo de cómo visualizar tu señal como espectrograma. La señal original se filtró con un filtro de banda y luego se representó como espectrograma con una función predeterminada de Matlab.
Aplicaciones del procesamiento de señales
Las aplicaciones del procesamiento de señales son muy diversas y abarcan numerosos campos. Veamos algunas de las más destacadas en ciencia de datos:
Finanzas y predicción bursátil
El procesamiento de señales tiene un gran impacto en finanzas y permite un análisis en profundidad de series temporales financieras.
Aplicando técnicas de filtrado, análisis de tendencias y variables del dominio temporal, los data scientists pueden identificar patrones, tendencias y anomalías en datos bursátiles.
Los modelos de predicción se utilizan para prever tendencias de mercado, precios de acciones y evaluar riesgos. Estas previsiones son fundamentales para que inversores, traders e instituciones financieras tomen decisiones bien informadas y gestionen carteras con eficacia.
Para profundizar en analítica financiera, explora el catálogo de cursos de DataCamp o este curso de introducción a los conceptos financieros en Python.
Datos de sensores en el Internet de las cosas (IoT)
El Internet de las cosas (IoT) genera enormes volúmenes de datos temporales procedentes de múltiples sensores y dispositivos.
El procesamiento de señales ayuda a extraer información valiosa de estos datos y convertirla en acciones. Analizando datos de sensores IoT, los data scientists pueden monitorizar el estado de equipos, detectar anomalías y optimizar el rendimiento.
Por ejemplo, en la fabricación inteligente, se emplean técnicas de procesamiento de señales para predecir fallos de maquinaria y prevenir paradas, mejorando la productividad y reduciendo costes de mantenimiento.
DataCamp tiene un excelente curso sobre análisis de datos de IoT. ¡Échale un vistazo!
Sanidad y procesamiento de señales biomédicas
El procesamiento de señales se usa en sanidad y en aplicaciones biomédicas, donde la monitorización continua de señales fisiológicas es vital para la atención al paciente.
Por ejemplo, en electrocardiogramas (ECG) y electroencefalogramas (EEG), las técnicas de procesamiento de señales ayudan a detectar anomalías, evaluar el estado del paciente y apoyar el diagnóstico y la planificación del tratamiento.
Además, los análisis en el dominio del tiempo y de la frecuencia ayudan a descubrir patrones ocultos en señales médicas, impulsando avances en la detección de enfermedades y la comprensión de la fisiología humana.
Más allá de la asistencia sanitaria, el procesamiento de señales se usa extensamente en investigación biomédica. Es útil para analizar datos genómicos y otras señales biológicas, aportando información valiosa sobre mecanismos de enfermedad, descubrimiento de fármacos y medicina personalizada.
Echa un vistazo a este curso de DataCamp sobre análisis de imágenes biomédicas en Python, que utiliza algunas de estas técnicas.
Procesamiento de voz y audio
En el procesamiento de voz y audio, se emplean técnicas de procesamiento de señales para analizar e interpretar lenguaje hablado y señales acústicas.
Los sistemas de reconocimiento automático del habla (ASR), los asistentes de voz y el reconocimiento de emociones en el habla dependen de algoritmos de procesamiento de señales para extraer variables relevantes y reconocer patrones.
Las aplicaciones de audio, como la reducción de ruido, la mejora de sonido y la síntesis de voz, también aprovechan intensamente estos métodos.
Si te interesa saber más, DataCamp ofrece un gran curso sobre procesamiento del lenguaje hablado en Python.
Procesamiento de imagen y vídeo
El procesamiento de señales también se aplica al análisis de imágenes y vídeo, habilitando casos como el reconocimiento de imágenes, la detección de objetos y la videovigilancia.
Técnicas como la transformada de Fourier se usan para compresión de imágenes y extracción de características. Los análisis tiempo-frecuencia, como los espectrogramas, son clave en la sincronización de vídeo y audio, lo que permite tecnologías de lectura de labios y reconocimiento de gestos.
Para más información sobre procesamiento de imágenes, te recomiendo este curso de DataCamp.
Análisis de datos de sensores
El procesamiento de señales está en el corazón del análisis de datos de sensores, usado en ámbitos como la monitorización ambiental, la predicción meteorológica y la automatización industrial. Ayuda a identificar patrones y tendencias en los datos de sensores, permitiendo mantenimiento predictivo, detección de anomalías y optimización de sistemas y procesos.
Aplicaciones científicas y de investigación
El procesamiento de señales se usa en numerosos estudios científicos para examinar desde señales de presión hasta temblores sísmicos o voltajes. ¡Estas técnicas incluso se han utilizado para identificar los sonidos que producen las alas de los colibríes!
Buenas prácticas y consejos para el procesamiento de señales en ciencia de datos
El procesamiento de señales es una metodología potente, pero para obtener resultados precisos y útiles requiere seguir buenas prácticas y tener en cuenta ciertos aspectos. Aquí tienes algunos consejos esenciales para asegurar el éxito.
Preprocesamiento y limpieza de datos
Antes de lanzarte a las técnicas de procesamiento de señales, ¡el preprocesamiento y la limpieza exhaustivos son críticos! Esto implica gestionar valores ausentes, tratar valores atípicos y normalizar los datos para garantizar consistencia y fiabilidad. Las técnicas de reducción de ruido, como el filtrado, ayudan a eliminar perturbaciones no deseadas que pueden afectar al análisis.
Visualizaciones para obtener insight
Las visualizaciones son una herramienta muy potente en procesamiento de señales. Aportan una comprensión clara de los patrones de los datos y de la eficacia de las técnicas aplicadas.
Es muy recomendable que visualices tus datos en cada paso del preprocesamiento y del análisis.
Los gráficos en el dominio temporal, los espectros de frecuencia y los espectrogramas son visualizaciones habituales para señales.
Elegir las técnicas adecuadas para cada problema
El procesamiento de señales incluye una amplia gama de técnicas, cada una adaptada a tipos de datos y problemas concretos. Entender la naturaleza de los datos y los objetivos del análisis es esencial para seleccionar bien. Para series temporales, técnicas como la transformada de Fourier y la autocorrelación son útiles para analizar frecuencias y patrones. Los datos de imagen requieren técnicas específicas como la detección de bordes y la extracción de características.
Conclusión
El procesamiento de señales es un componente fundamental de la ciencia de datos que permite a los profesionales extraer insights valiosos de datos complejos en distintos sectores. Desde finanzas hasta sanidad, de voz a imagen, el análisis de señales juega un papel clave a la hora de transformar datos en bruto en información accionable.
Los avances recientes en machine learning y en capacidad computacional han impulsado el desarrollo de técnicas innovadoras de procesamiento de señales. Descubre cómo usar machine learning con tus datos de señal en otro artículo.
La primera vez que te enfrentas al procesamiento de datos de señal puede imponer. Esperamos que este tutorial te haya dado las herramientas para aislar un patrón de voz, detectar un terremoto o prever una subida de una acción.
Si este artículo te ha resultado interesante, DataCamp tiene varios code-alongs que pueden gustarte. Aquí tienes uno de análisis temporal en Python y un caso práctico de análisis de una serie temporal del río Támesis en Python. También hay tutoriales de series temporales en Python y en hojas de cálculo.
Temas
