En este artículo, proponemos un enfoque novedoso para analizar datos de series temporales de alta dimensión y detectar valores atípicos y anomalías, denominado "Aprendizaje por Sorpresa (LvS)". Observamos que las técnicas existentes presentan dificultades para un análisis eficaz debido a problemas como la alta dimensionalidad, las distribuciones complejas y la escasez, y nos inspiramos en el concepto de "sorpresa", que es la forma en que las personas prestan atención a las desviaciones inesperadas. LvS cuantifica y prioriza las anomalías en datos de series temporales cuantificando y priorizando las desviaciones respecto a los comportamientos esperados. Aplicamos LvS a tres datos de series temporales de alta dimensión: datos de sensores, datos globales sobre causas de muerte y discursos presidenciales de EE. UU., y demostramos que puede identificar de forma eficiente e interpretable valores atípicos, anomalías y las características más volátiles. LvS conecta las teorías de las ciencias cognitivas con los métodos computacionales para ofrecer una nueva forma de detectar anomalías y cambios, manteniendo el contexto.