Temario del curso
Introducción al análisis de series temporales
- Descripción general de los datos temporales
- Componentes básicos de las series temporales: tendencia, estacionalidad y ruido
- Configuración de Google Colab para el análisis temporal
Análisis exploratorio de datos temporales
- Representación visual de series temporales
- Descomposición en componentes de la serie temporal
- Detección de patrones estacionales y tendencias evolutivas
Modelos ARIMA para el pronóstico temporal
- Conceptos básicos sobre los modelos ARIMA (AutoRegressive Integrated Moving Average)
- Selección adecuada de parámetros en los modelos ARIMA
- Implementación práctica de dichos modelos mediante Python
Introducción a Prophet como herramienta para el pronóstico temporal
- Fundamentos y funcionalidades principales de la biblioteca Prophet en el ámbito del análisis temporal
- Aplicación concreta de modelos Prophet dentro de Google Colab
- Gestión apropiada de periodos festivos y eventos especiales en los pronósticos generados
Técnicas avanzadas para el pronóstico temporal
- Resolución eficaz de problemas relacionados con datos temporales incompletos
- Desarrollo y aplicación de predicciones a partir de múltiples variables temporales
- Personalización del pronóstico incorporando regresores externos según las necesidades específicas
Evaluación y optimización de los modelos de pronóstico desarrollados
- Indicadores relevantes para evaluar la precisión en los resultados del pronóstico temporal
- Mejora continua mediante el ajuste fino de los parámetros en los modelos ARIMA y Prophet
- Procedimientos como la validación cruzada y la comprobación retroactiva para garantizar calidad
Aplicaciones prácticas del análisis de series temporales en el entorno real
- Análisis detallado de casos concretos donde se aplican estas metodologías
- Ejercicios prácticos basados en conjuntos de datos reales proporcionados
- Orientación acerca del siguiente paso a seguir al utilizar Python para el análisis temporal
Resumen final y recomendaciones complementarias
Requerimientos
- Conocimientos intermedios de programación en Python
- Familiaridad con conceptos básicos de estadística y técnicas de análisis de datos
Público objetivo
- Analistas de datos
- Científicos de datos
- Profesionales que trabajan con series temporales en su actividad diaria
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 4350 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales
Reseñas (3)
Aprendiendo que QGIS es una herramienta que puede ser utilizada por otros profesionales diferentes, como topógrafos.
Bame Duncan Koko - Bentel Technologies (Pty) Ltd
Curso - QGIS for Geographic Information System
Traducción Automática
Cómo utilizar datos de satélites abiertos para aplicaciones reales
Tshering Dorji - Druk Holding and Investments
Curso - Advanced Geographic Information Systems (GIS)
Traducción Automática
Los ejemplos prácticos nos permitieron tener una idea real de cómo funciona el programa. Buenas explicaciones e integración de conceptos teóricos y su relación con las aplicaciones prácticas.
Ian - Archeoworks Inc.
Curso - ArcGIS Fundamentals
Traducción Automática
