Resumen del trabajo fin de master

En la actualidad en muchos problemas que se resuelven aplicando técnicas de machine learning hay un compromiso entre explicabilidad del modelo (optando por modelos más clásicos de ML) o uso de modelos basados en aprendizaje profundo. Un caso interesante en el que esa frontera se está empezando a diluir es la de las series temporales, donde algunos modelos basados en la arquitectura transformer permiten aplicar estimaciones, a la vez que pueden explicar el impacto de las variables en las predicciones del modelo. El objetivo del proyecto es analizar y comparar estos modelos con otros modelos clásicos, e identificar en qué casos de uso son más aplicables, teniendo en cuenta los factores habituales en los proyectos (volumen y variedad de datos, ventana del histórico, tratamiento de missing values, coste, etc)