Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
¿Alguna vez has intentado predecir el futuro? Lo que te espera es un misterio que normalmente solo se resuelve esperando. En este curso, puedes dejar de esperar y sumergirte en el mundo del modelado de series temporales utilizando modelos ARIMA en Python para predecir el futuro.
Haciendo que estos conceptos sean fáciles de comprender y aplicar, descubrirás cómo generar predicciones de un paso adelante, previsiones dinámicas y ajustar modelos ARIMA directamente a tus datos.
Este proyecto final lo integra todo y te ofrece una comprensión completa del modelado ARIMA.
Datos de series temporales
Empieza aprendiendo los fundamentos de los datos de series temporales, incluido el concepto de estacionariedad, crucial para trabajar con modelos ARMA. Aprenderás a comprobar la estacionariedad tanto visual como estadísticamente, generar datos ARMA y ajustar modelos ARMA para obtener una base sólida.paquete Statsmodels
A medida que avances, explora el potente paquete Statsmodels para ajustar modelos ARMA, ARIMA y ARMAX. Obtendrás experiencia práctica utilizando tus modelos para predecir valores futuros como los precios de las acciones.Haciendo que estos conceptos sean fáciles de comprender y aplicar, descubrirás cómo generar predicciones de un paso adelante, previsiones dinámicas y ajustar modelos ARIMA directamente a tus datos.
Gráficos ACF y PACF
Uno de los aspectos más destacados es aprender a elegir el mejor modelo utilizando gráficos ACF y PACF para identificar órdenes de modelo prometedores. Aprenderás sobre criterios como AIC y BIC para la selección y el diagnóstico de modelos, lo que te ayudará a perfeccionar tus modelos hasta la perfección.Modelos SARIMA
El curso concluye con modelos ARIMA estacionales (SARIMA), perfectos para trabajar con datos que presentan patrones estacionales. Aprenderás a descomponer datos de series temporales en componentes estacionales y no estacionales y a aplicar tus habilidades de ARIMA en un reto global de previsión.Este proyecto final lo integra todo y te ofrece una comprensión completa del modelado ARIMA.
Requisitos previos
Programa de formación
Esquema del curso
1
Modelos ARMA
Entra de lleno y conoce las propiedades más importantes de las series temporales. Aprenderás qué es la estacionariedad y por qué es clave para los modelos ARMA. Verás cómo comprobar la estacionariedad a simple vista y con una prueba estadística estándar. Por último, conocerás la estructura básica de los modelos ARMA y la usarás para generar datos ARMA y ajustar un modelo ARMA.
- Introducción a las series temporales y la estacionariedad50 XP
- Exploración100 XP
- División en train-test100 XP
- ¿Es estacionaria?100 XP
- Hacer estacionarias las series temporales50 XP
- Dickey-Fuller aumentado100 XP
- Aplicar la diferenciación100 XP
- Otras transformaciones100 XP
- Introducción a los modelos AR, MA y ARMA50 XP
- Orden del modelo100 XP
- Generación de datos ARMA100 XP
- Ajuste: preámbulo100 XP
2
Ajustando el futuro
Lo que te espera en este capítulo es que tú predigas lo que viene en tus datos. Aprenderás a usar el elegante paquete statsmodels para ajustar modelos ARMA, ARIMA y ARMAX. Luego usarás tus modelos para predecir el incierto futuro de los precios de las acciones.
3
Los mejores entre los mejores modelos
En este capítulo, te convertirás en un modelizador con criterio. Aprenderás a identificar órdenes de modelo prometedores a partir de los propios datos y, una vez entrenados los modelos más prometedores, verás cómo elegir el mejor modelo de entre esa selección ajustada. También aprenderás un gran marco de trabajo para estructurar tus proyectos de series temporales.
4
Modelos ARIMA estacionales
En este último capítulo, aprenderás a usar modelos ARIMA estacionales para ajustar datos más complejos. Verás cómo descomponer estos datos en partes estacionales y no estacionales y después tendrás la oportunidad de aplicar todas tus herramientas de ARIMA en un último desafío de pronóstico global.
Modelos ARIMA en Python
Curso
completado
