Contacta con nosotros

Temario del curso

Introducción al análisis de series de tiempo

  • Visión general de los datos de series de tiempo
  • Componentes de las series de tiempo: tendencia, estacionalidad y ruido
  • Configuración de Google Colab para el análisis de series de tiempo

Análisis exploratorio de datos para series de tiempo

  • Visualización de datos de series de tiempo
  • Descomposición de los componentes de las series de tiempo
  • Detección de estacionalidad y tendencias

Modelos ARIMA para el pronóstico de series de tiempo

  • Comprensión de ARIMA (Media Móvil Integrada Autorregresiva)
  • Selección de parámetros para modelos ARIMA
  • Implementación de modelos ARIMA en Python

Introducción a Prophet para el pronóstico de series de tiempo

  • Visión general de Prophet para el pronóstico de series de tiempo
  • Implementación de modelos Prophet en Google Colab
  • Manejo de festivos y eventos especiales en los pronósticos

Técnicas avanzadas de pronóstico

  • Manejo de datos faltantes en series de tiempo
  • Pronóstico de series de tiempo multivariantes
  • Personalización de pronósticos con regresores externos

Evaluación y ajuste fino de modelos de pronóstico

  • Métricas de rendimiento para el pronóstico de series de tiempo
  • Ajuste fino de modelos ARIMA y Prophet
  • Validación cruzada y pruebas retrospectivas

Aplicaciones del mundo real del análisis de series de tiempo

  • Estudios de caso sobre pronóstico de series de tiempo
  • Ejercicios prácticos con conjuntos de datos reales
  • Próximos pasos para el análisis de series de tiempo en Python

Resumen y próximos pasos

Requerimientos

  • Conocimiento intermedio de programación en Python
  • Familiaridad con estadísticas básicas y técnicas de análisis de datos

Público objetivo

  • Analistas de datos
  • Científicos de datos
  • Profesionales que trabajan con datos de series de tiempo
 21 Horas

Número de participantes


Precio por participante

Testimonios (2)

Próximos cursos

Categorías Relacionadas