000124544 001__ 124544 000124544 005__ 20230322092605.0 000124544 037__ $$aTAZ-TFM-2022-1410 000124544 041__ $$aspa 000124544 1001_ $$aPastor Medrano, Sergio 000124544 24200 $$aAnomaly Detection in Time-Series 000124544 24500 $$aDetección de Anomalías en Series Temporales 000124544 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2022 000124544 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000124544 520__ $$aLa detección de anomalías es uno de los temas más populares en el mundo de la ciencia de datos por sus múltiples aplicaciones prácticas. En concreto, el estudio de anomalías en series temporales es un problema ampliamente investigado y desarrollado a lo largo de la historia, nutriéndose tanto de técnicas estadísticas como de los algoritmos de aprendizaje automático y profundo que han ido surgiendo con los años. Sin embargo, existen muy pocos trabajos en la literatura que comparen técnicas de detección de anomalías procedentes de métodos estadísticos, algoritmos de aprendizaje automático y algoritmos de aprendizaje profundo. Por eso, en este trabajo, se analizan y desarrollan algoritmos procedentes de los tres campos mencionados anteriormente, complementados con transformaciones de las series temporales, con el objetivo de analizar la efectividad de cada algoritmo para diversas situaciones y anomalías. El análisis del desempeño de cada algoritmo se realizará a través de conjuntos de series temporales públicos con anomalías identificadas y pertenecientes a distintas categorías; desarrollando un formalismo matemático válido para llevar a cabo dicha tarea, y utilizando métricas capaces de representar adecuadamente el desempeño de los modelos de detección de anomalías.<br /><br /> 000124544 521__ $$aMáster Universitario en Modelización e Investigación Matemática, Estadística y Computación 000124544 540__ $$aDerechos regulados por licencia Creative Commons 000124544 700__ $$aAbadía Gallego, David$$edir. 000124544 700__ $$aDel Hoyo Alonso, Rafael$$edir. 000124544 7102_ $$aUniversidad de Zaragoza$$bMétodos Estadísticos$$cEstadística e Investigación Operativa 000124544 7202_ $$aLacruz Casaucau, María Beatriz$$eponente 000124544 8560_ $$f760354@unizar.es 000124544 8564_ $$s3384453$$uhttps://zaguan.unizar.es/record/124544/files/TAZ-TFM-2022-1410.pdf$$yMemoria (spa) 000124544 909CO $$ooai:zaguan.unizar.es:124544$$pdriver$$ptrabajos-fin-master 000124544 950__ $$a 000124544 951__ $$adeposita:2023-03-21 000124544 980__ $$aTAZ$$bTFM$$cCIEN 000124544 999__ $$a20221130102935.CREATION_DATE