Análisis de Series de Tiempo con Python
Aprende a modelar una secuencia de datos ordenados cronológicamente, identifica los patrones y predice el futuro.
Una serie de tiempo es un modo estructurado de representar datos. Por lo que visualmente, es una curva que evoluciona a lo largo del tiempo. En general, se pueden representar cualquier tipo de datos cronológicamente almacenados.
El objetivo central de trabajar con series de tiempo en cualquier sector es identificar los patrones de los datos, lo que se busca es entender el acontecimiento a medida que avanza el tiempo para predecir y pronosticar el futuro. Es importante mencionar que los análisis de series de tiempo suelen seguir algunas características especiales, entre ellas que suelen tener una tendencia, estar auto-correlacionadas y son dependientes del tiempo.
En este curso aprenderás a manipular, desplazar, descomponer y visualizar las series de tiempo para obtener resultados utilizando técnicas tales como Medias Móviles, ARIMA, entre otros.
Suscríbete al curso y construye un modelo paso a paso, que te permita predecir la variable en estudio. Además, aprenderás a realizar visualizaciones dinámicas para presentar en reportes formales.
Tu Instructor
Hola, mi nombre es Danilo soy Ingeniero Matemático. Mi carrera me ha permitido desarrollar mis habilidades en el campo de la Estadística, Econometría, Análisis y Minería de datos. Además actualmente me desempeño como Analista de Datos.
A lo largo de mi carrera como profesional he podido compartir mis conocimientos en diferentes áreas de la Matemática. Por lo que, me siento comprometido con la enseñanza ya que se ha convertido en una de mis pasiones.
Como consultor he podido trabajar en diferentes proyectos de instituciones gubernamentales como ministerios e instituciones financieras, donde he desarrollo todo el conocimiento sobre Data Science.
¡Deseo verte en este curso para que puedas desarrollar nuevas habilidades!
Plan de Estudios
-
Inicio2.1 Componentes de Series de Tiempo (6:45)
-
Inicio2.2 Descomposición de Series de Tiempo (4:23)
-
Inicio2.3 Primera Práctica en Python - Parte 1 (8:09)
-
Inicio2.4 Primera Práctica en Pyhton - Parte 2 (4:38)
-
Inicio2.5 Filtro Hodric Prescot (4:23)
-
Inicio2.6 Práctica de Filtro Hodric Prescot en Python (13:13)
-
Inicio2.7 Procesos Estacionarios - Parte 1 (5:44)
-
Inicio2.8 Procesos Estacionarios - Parte 2 (4:35)
-
Inicio2.9 Caso práctico - Ruido Blanco y Caminata (12:58)
-
Inicio2.10 Evaluación de Estacionariedad (2:29)
-
Inicio2.11 Pruebas de Estacionariedad - Parte 1 (10:36)
-
Inicio2.12 Pruebas de Estacionariedad - Parte 2 (4:33)
-
Inicio2.13 Pruebas de Estacionariedad - Parte 3 (6:27)
-
Inicio2.14 Funciones de Autocorrelación (9:12)
-
Inicio2.15 Práctica de Funciones de Autocorrelación (14:22)
-
Inicio3.1 Procesos Lineales estacionarios (6:37)
-
Inicio3.2 Modelo Autorregresivo (11:07)
-
Inicio3.3 Modelo autorregresivo de orden Superior - Parte 1 (4:57)
-
Inicio3.4 Modelo autorregresivo de orden Superior - Parte 2 (10:28)
-
Inicio3.5 Residuos Ar - Parte 1 (4:54)
-
Inicio3.6 Residuos Ar - Parte 2 (13:47)