Este curso:
Está diseñado para proporcionar un conocimiento integral sobre el análisis de datos secuenciales.
A través de métodos estadísticos y modelos avanzados, aprenderás a identificar patrones, detectar tendencias y predecir valores futuros con precisión.
Desde la exploración de datos hasta la implementación de modelos como ARIMA, SARIMA y técnicas de Machine Learning, este curso cubre el ciclo completo del análisis de series temporales.
Serás capaz de limpiar y transformar datos, aplicar modelos clásicos y avanzados, y evaluar su desempeño utilizando métricas clave.
Además, podrás explorar automatización de procesos analíticos con herramientas de Python como Pandas, Statsmodels y Scikit-learn, facilitando el procesamiento y análisis de datos a gran escala.
En resumen aprenderás:
- Fundamentos de series de tiempo y sus aplicaciones en distintos sectores.
- Métodos de preprocesamiento para mejorar la calidad de los datos.
- Técnicas de visualización y análisis exploratorio.
- Modelos clásicos como ARIMA y SARIMA para predicción.
- Uso de modelos avanzados como GARCH y Machine Learning para predicción de series temporales.
- Evaluación y validación de modelos con métricas de error y técnicas de backtesting.
- Desarrollo de proyectos prácticos aplicados a escenarios del mundo real.
Algunos beneficios que obtendrás al finalizar el curso:
Aprendizaje práctico con datasets reales
Implementación de modelos predictivos en Python
Aplicación de técnicas avanzadas de análisis de datos
Programa del Curso Análisis de Series de Tiempo con Python
- 1.1 Introducción al módulo 1 (9:20)
- 1.2 Definición de Series de Tiempo (11:13)
- 1.3 Datos temporales vs no temporales (6:07)
- 1.4 Repaso de Conceptos Estadisticos Básicos (9:37)
- 1.5 Ejemplo de una serie temporales (6:06)
- 1.6 Propiedades de las series temporales (7:05)
- 1.7 Carga de datos y concepto de Cadencia (10:51)
- 1.8 Tipos de Datos Fecha (6:28)
- 1.9 Criterios para trabajar con Fechas (14:58)
- 1.10 Estacionariedad (17:19)
- 1.11 Estacionalidad (5:50)
- 1.12 Tendencia (4:45)
- 1.13 Ciclos (5:45)
- 1.14 Ruido Blanco (7:35)
- Quiz 1
- 2.0 Introducción al módulo 2 (3:49)
- 2.1 Resumen Teórico (17:56)
- 2.2 Carga de datos (5:10)
- 2.3 Método de Eliminación (4:27)
- 2.4 Método de Imputación (9:42)
- 2.5 Método de Interpolación (7:55)
- 2.6 Método de Imputación Predictiva (9:55)
- 2.7 Manejo de Outliers (6:31)
- 2.8 Manejo de Outliers: Gráficos Necesarios (6:19)
- 2.9 Manejo de Outliers: Detección Gráfica (7:42)
- 2.10 Manejo de Outliers: Detección Estadística (6:36)
- 2.11 Manejo de Outliers: Detección Avanzada (8:36)
- 2.12 Manejo de Outliers: Tratamiento (6:03)
- 2.13 Manejo de Outliers: Transformaciones Robustas (8:35)
- 2.14 Transformaciones de series temporales (6:43)
- 2.15 Diferenciación de series temporales (5:55)
- 2.16 Heterocedasticidad (3:28)
- 2.17 Detrending (9:29)
- 2.18 Desestacionaliazación (6:35)
- 2.19 Resampling (4:10)
- 2.20 Smooothing (15:04)
- Quiz 2
- 3.1 Introducción al módulo 3 (3:31)
- 3.2 Resumen Teórico (8:37)
- 3.3.1 Analisis Visual de Series
- 3.3.2 Personalización de Series (12:19)
- 3.4 Análisis de Patrones Visuales (9:27)
- 3.5 Modelos Aditivos vs Modelos Multiplicativos (5:10)
- 3.6 Ejemplo Visual (2:55)
- 3.7 Librerias para generar sliders (4:14)
- 3.8 Descomposición con seasonal_decompose (2:25)
- 3.9 Descomposición de Tendencia (4:16)
- 3.10 Descomposición de Estacionalidad (2:39)
- 3.11 Descomposición de Residuos (3:21)
- 3.12 Interpretación de gráficos ACF y PACF (13:53)
- 3.13 Identificación de ordenes a partir de gráficos ACF y PACF (6:33)
- Quiz 3
- 4.1 Introducción al módulo 4 (3:35)
- 4.2 Introducción Teorica a Modelos Clásicos (6:57)
- 4.3 Suavizado Exponencial Simple (3:40)
- 4.4 Suavizado Exponencial Doble (4:21)
- 4.5 Suavizado Exponencial Triple o Holt-Winters (4:45)
- 4.6 Modelo ARIMA (8:11)
- 4.7 Modelo SARIMA (6:03)
- 4.8 Ejemplo de Pipeline de modelo en Series Temporales (7:37)
- 4.9 ARIMA vs SARIMA (3:18)
- Quiz 4
- 6.1 Introducción al módulo 6 (2:53)
- 6.2 Introducción Teórica a Métricas de Error de Pronóstico (8:10)
- 6.3 Introducición Teórica a Criterios de Información (3:26)
- 6.4 Introducción Teórica a Validación Cruzada (4:26)
- 6.5 Introducción Teórica a Backtesting (3:15)
- 6.6 Métricas de Error de Pronóstico (5:46)
- 6.7 Criterios de Información (4:00)
- 6.8 Validación con Time Series Split (3:12)
- 6.9 Validación Walk Forward (3:21)
- 6.10 Backtesting (2:38)
- 6.11 Ejemplo Extra (5:41)
- Quiz 6
- Descargables para el proyecto final
- 7.0 Introducción al módulo 7 (3:27)
- 7.1 Carga de datos (4:53)
- 7.2 Análisis Exploratorio de Datos (EDA) (10:53)
- 7.3 Detección de Outliers (4:52)
- 7.4 Pruebas de Hipótesis (5:08)
- 7.5 Feature Engineering (7:21)
- 7.6 LGBM Regressor (7:45)
- 7.7 Forecast y Exportación de Resultados (4:03)
- 7.8 Cierre Y Despedida (1:29)
Tu instructor: David Soler
Un 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!
Preguntas frecuentes:
¿Cuándo inicia y finaliza el curso?
¡El curso inicia ahora y nunca finaliza! Este es un curso en línea completamente a tu propio ritmo - tú decides cuando iniciar y cuando terminar.
¿Por cuánto tiempo tengo acceso al curso?
¿Cómo te suena "acceso de por vida"? Después de suscribirse, tendrás acceso ilimitado a este curso por todo el tiempo que gustes - a través de cualquier dispositivo en todos los dispositivos que tengas.
¿Qué sucede si no estoy satisfecho con el curso?
¡No queremos que estés insatisfecho! Si estás insatisfecho con tu compra (para los cursos de pago), solo debes contactarnos en los primeros 14 días y te daremos una devolución total de tu dinero.
¿Cuáles son los requisitos para tomar este curso?
- Conocimientos intermedios de estadística y Python (recomendado).
- Instalación de herramientas como Pandas, Statsmodels y Scikit-learn.
¿Cómo apruebo el curso y obtengo mi certificado?
Para aprobar el curso y obtener el certificado correspondiente debes completar el 100% de los vídeos y enviar todas las prácticas realizadas durante el curso vía correo electrónico, para revisar y validar que se hayan completado correctamente.
Este certificado validará tu conocimiento en análisis y modelado de series de tiempo, permitiéndote aplicar estas habilidades en análisis financiero, demanda de productos, climatología, entre otros.