Contacta con nosotros

Temario del curso

Introducción al análisis de series temporales

  • Descripción general de los datos de series temporales
  • Componentes de las series temporales: tendencia, estacionalidad, ruido
  • Configuración de Google Colab para el análisis de series temporales

Análisis exploratorio de datos para series temporales

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

Modelos ARIMA para el pronóstico de series temporales

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

Introducción a Prophet para el pronóstico de series temporales

  • Descripción general de Prophet para el pronóstico de series temporales
  • Implementación de modelos Prophet en Google Colab
  • Manejo de días festivos y eventos especiales en el pronóstico

Técnicas avanzadas de pronóstico

  • Manejo de datos faltantes en series temporales
  • Pronóstico de series temporales multivariadas
  • Personalización de pronósticos con regresores externos

Evaluación y ajuste fino de modelos de pronóstico

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

Aplicaciones en el mundo real del análisis de series temporales

  • Estudios de casos de pronóstico de series temporales
  • Ejercicios prácticos con conjuntos de datos reales
  • Siguientes pasos para el análisis de series temporales en Python

Resumen y próximos pasos

Requerimientos

  • Conocimientos intermedios de programación en Python
  • Familiaridad con estadística básica y técnicas de análisis de datos

Público objetivo

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

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas