Register
Login
Resources
Docs Blog Datasets Glossary Case Studies Tutorials & Webinars
Product
Data Engine LLMs Platform Enterprise
Pricing Explore
Connect to our Discord channel
Integration:  git github
Elisa Cabana 574402dbdd
Agregando material
3 years ago
440f1a3045
Creado mediante Colaboratory
3 years ago
581614e894
Agregando material
3 years ago
574402dbdd
Agregando material
3 years ago
79a305ba7c
Creado mediante Colaboratory
3 years ago
e51afab273
Creado mediante Colaboratory
3 years ago
cf6f6826c2
Agregando nueva seccion Tecnicas de Suavizado
3 years ago
cf6f6826c2
Agregando nueva seccion Tecnicas de Suavizado
3 years ago
7b02b5f041
Creado mediante Colaboratory
3 years ago
8f72a46762
Creado mediante Colaboratory
3 years ago
d9a4bdcea5
Creado mediante Colaboratory
3 years ago
dd1dc12fe9
Creado mediante Colaboratory
3 years ago
01411c5b20
Agregando material
3 years ago
dc55f3463b
Agregando material
3 years ago
ce6759fffb
Borrando carpeta duplicada
3 years ago
011f2b8ce7
Update README.md
3 years ago
Storage Buckets

README.md

You have to be logged in to leave a comment. Sign In

Curso avanzado de Series Temporales con R y Python

Ya sea que queremos predecir la tendencia en los mercados financieros o el consumo de electricidad, el tiempo es un factor importante que debe considerarse en nuestros modelos. Por ejemplo, sería interesante pronosticar a qué hora del día habrá un consumo máximo de electricidad, como ajustar el precio o la producción de electricidad, o como consumidor, cuándo poner los electrodomésticos que más consumen para ahorrarnos dinero.

Una serie temporal  es una sucesión de datos medidos en determinados momentos y ordenados cronológicamente. Los datos pueden estar espaciados a intervalos iguales (como la temperatura en un observatorio meteorológico en días sucesivos al mediodía) o desiguales (como el peso de una persona en sucesivas mediciones en el consultorio médico, la farmacia, etc.).

En particular, en el análisis de series temporales, suelen surgir de forma natural preguntas muy concretas como por ejemplo

  • ¿Es estacionario?
  • ¿Hay una estacionalidad?
  • ¿La variable objetivo está autocorrelacionada?

Para el análisis de las series temporales se usan métodos que ayudan a interpretarlas y que permiten extraer información representativa sobre las relaciones subyacentes entre los datos de la serie o de diversas series y que permiten en diferente medida y con distinta confianza extrapolar o interpolar los datos y así predecir el comportamiento de la serie en momentos no observados, sean en el futuro (extrapolación pronóstica), en el pasado (extrapolación retrógrada) o en momentos intermedios (interpolación). Todo lo que necesitas para poder llevar a cabo este tipo de análisis lo tienes explicado en este curso con dos lenguajes de programación, R y Python.

En nuestro curso cubriremos desde el concepto de serie de tiempo, su modelización y creación tanto en R como en Python, y más de 10 técnicas diferentes sobre como analizarlas correctamente, entender las correlaciones entre las diferentes variables de nuestros datos y el tiempo y a hacer pronósticos a futuro sobre cual será el próximo precio de una acción, cuando terminará el confinamiento debido al COVID19 o cuando terminará la ola de calor en una determinada región.

Además, tendrás todo el código fuente desde el minuto cero, plantillas de código para utilizar en tus propios análisis, acceso a una comunidad exclusiva de estudiantes, que como tu, buscan aprender acerca del análisis de series temporales, y más de 10 horas de video de alta calidad con todas las explicaciones necesarias para convertirte en el próximo Lobo de Wall Street.

Nos vemos en clase y esperamos que disfrutes de nuestro curso avanzado de series temporales con R y Python.

Tip!

Press p or to see the previous file or, n or to see the next file

About

No description

Collaborators 1

Comments

Loading...