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 David Soler
Científico de datos apasionado por descubrir tendencias e insights en datos. Tengo experiencia en el desarrollo de modelos de aprendizaje automático y profundo, orientados a la resolución de problemas en visión por computadora, inteligencia artificial y predicción de valores.
Mi objetivo es transformar datos complejos en soluciones efectivas y accionables.
¡Te espero en el curso!
Plan de Estudios
-
Inicio1.1 Introducción al módulo 1 (9:20)
-
Inicio1.2 Definición de Series de Tiempo (11:13)
-
Inicio1.3 Datos temporales vs no temporales (6:07)
-
Inicio1.4 Repaso de Conceptos Estadisticos Básicos (9:37)
-
Inicio1.5 Ejemplo de una serie temporales (6:06)
-
Inicio1.6 Propiedades de las series temporales (7:05)
-
Inicio1.7 Carga de datos y concepto de Cadencia (10:51)
-
Inicio1.8 Tipos de Datos Fecha (6:28)
-
Inicio1.9 Criterios para trabajar con Fechas (14:58)
-
Inicio1.10 Estacionariedad (17:19)
-
Inicio1.11 Estacionalidad (5:50)
-
Inicio1.12 Tendencia (4:45)
-
Inicio1.13 Ciclos (5:45)
-
Inicio1.14 Ruido Blanco (7:35)
-
InicioQuiz 1
-
Inicio2.0 Introducción al módulo 2 (3:49)
-
Inicio2.1 Resumen Teórico (17:56)
-
Inicio2.2 Carga de datos (5:10)
-
Inicio2.3 Método de Eliminación (4:27)
-
Inicio2.4 Método de Imputación (9:42)
-
Inicio2.5 Método de Interpolación (7:55)
-
Inicio2.6 Método de Imputación Predictiva (9:55)
-
Inicio2.7 Manejo de Outliers (6:31)
-
Inicio2.8 Manejo de Outliers: Gráficos Necesarios (6:19)
-
Inicio2.9 Manejo de Outliers: Detección Gráfica (7:42)
-
Inicio2.10 Manejo de Outliers: Detección Estadística (6:36)
-
Inicio2.11 Manejo de Outliers: Detección Avanzada (8:36)
-
Inicio2.12 Manejo de Outliers: Tratamiento (6:03)
-
Inicio2.13 Manejo de Outliers: Transformaciones Robustas (8:35)
-
Inicio2.14 Transformaciones de series temporales (6:43)
-
Inicio2.15 Diferenciación de series temporales (5:55)
-
Inicio2.16 Heterocedasticidad (3:28)
-
Inicio2.17 Detrending (9:29)
-
Inicio2.18 Desestacionaliazación (6:35)
-
Inicio2.19 Resampling (4:10)
-
Inicio2.20 Smooothing (15:04)
-
InicioQuiz 2