50 % de descuento en DataCamp Premium. Más de 700 cursos a mitad de precio. Empieza a aprender hoy.
Descripción del curso
Utiliza la previsión en R para la toma de decisiones basada en datos
Este curso ofrece una introducción a la predicción de series temporales utilizando R.La previsión consiste en hacer predicciones sobre el futuro. Es necesario en muchas situaciones, como decidir si construir otra planta de generación de energía en los próximos diez años o programar el personal de un centro de atención telefónica para la próxima semana.
Las previsiones pueden ser necesarias con varios años de antelación (en el caso de las inversiones de capital) o solo unos minutos antes (en el caso del enrutamiento de las telecomunicaciones). Independientemente de las circunstancias o los plazos, contar con previsiones fiables es esencial para tomar buenas decisiones basadas en datos.
Crea modelos de previsión precisos con ARIMA y el suavizado exponencial
Comenzarás este curso creando objetos de series temporales en R para generar gráficos con tus datos y descubrir tendencias, estacionalidad y ciclos repetidos. Se te presentará el concepto de ruido blanco y se te explicará cómo realizar una prueba de Ljung-Box para confirmar la aleatoriedad antes de pasar al siguiente capítulo, en el que se detallan los métodos de evaluación comparativa y la precisión de las previsiones.Ser capaz de probar y medir la precisión de tus previsiones es esencial para desarrollar modelos útiles. Este curso repasa diversos métodos antes de profundizar en el suavizado exponencial y los modelos ARIMA, que son dos de los enfoques más utilizados para la previsión de series temporales.
Antes de completar el curso, aprenderás a utilizar modelos ARIMA avanzados para incluir información adicional en ellos, como días festivos y actividad de la competencia.
Requisitos previos
Programa de formación
Esquema del curso
1
Explorar y visualizar series temporales en R
Lo primero en cualquier análisis de datos es representar los datos. Los gráficos permiten visualizar muchas características, incluidas pautas, observaciones inusuales y cambios a lo largo del tiempo. Las características que se observen en las gráficas deben incorporarse, en la medida de lo posible, a los métodos de forecasting que vayas a utilizar.
- Bienvenido a Forecasting Using R50 XP
- Creación de objetos de series temporales en R100 XP
- Gráficos de series temporales100 XP
- Gráficos estacionales100 XP
- Tendencia, estacionalidad y ciclicidad50 XP
- Autocorrelación de series temporales no estacionales100 XP
- Autocorrelación de series temporales estacionales y cíclicas100 XP
- Relaciona la ACF con la serie temporal50 XP
- Ruido blanco50 XP
- Precios de acciones y ruido blanco100 XP
2
Métodos de referencia y precisión del forecast
En este capítulo aprenderás herramientas generales útiles en muchas situaciones de forecasting. Verás algunos métodos de referencia para comparar previsiones, métodos para comprobar si un método de forecasting ha aprovechado bien la información disponible y métodos para medir la precisión de las previsiones. Cada una de las herramientas tratadas aquí se usará repetidamente en los capítulos siguientes a medida que desarrolles y explores distintos métodos de forecasting.
3
Suavizado exponencial
Las previsiones obtenidas con métodos de suavizado exponencial son medias ponderadas de observaciones pasadas, con pesos que decrecen exponencialmente a medida que las observaciones son más antiguas. Es decir, cuanto más reciente es la observación, mayor es su peso. Este enfoque genera previsiones fiables de forma rápida y para una amplia variedad de series temporales, lo cual es una gran ventaja y de gran importancia para aplicaciones de negocio.
4
Forecasting con modelos ARIMA
Los modelos ARIMA ofrecen otro enfoque para el forecasting de series temporales. El suavizado exponencial y los modelos ARIMA son los dos enfoques más utilizados para el forecasting de series temporales y son complementarios. Mientras que los modelos de suavizado exponencial se basan en describir la tendencia y la estacionalidad de los datos, los modelos ARIMA buscan describir las autocorrelaciones presentes en los datos.
5
Métodos avanzados
Los modelos de series temporales de los capítulos anteriores funcionan bien para muchas series, pero a menudo no son adecuados para datos semanales u horarios y no permiten incluir otra información como efectos de festivos, actividad de la competencia, cambios legislativos, etc. En este capítulo, verás algunos métodos que gestionan una estacionalidad más compleja y considerarás cómo ampliar los modelos ARIMA para poder incluir otra información en ellos.
R
Forecasting en R
Curso
completado
