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)
  • Selección 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 hacia atrás

Aplicaciones del Mundo Real del Análisis de Series Temporales

  • Estudios de casos de pronóstico de series temporales
  • Ejercicios prácticos con conjuntos de datos del mundo real
  • Próximos pasos para el análisis de series temporales en Python

Resumen y Próximos Pasos

Requerimientos

  • Conocimiento intermedio de programación en Python
  • Familiaridad con estadística básica y técnicas de análisis de datos

Audiencia

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

Número de participantes


Precio por participante

Testimonios (2)

Próximos cursos

Categorías Relacionadas