Curso
Análisis de Series Temporales en Python
IntermedioNivel de habilidad
Actualizado 8/2024Comienza El Curso Gratis
Incluido conPremium or Teams
PythonProbability & Statistics4 h17 vídeos59 Ejercicios4,850 XP68,787Certificado de logros
Crea Tu Cuenta Gratuita
o
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.Preferido por estudiantes en miles de empresas
¿Formar a 2 o más personas?
Probar DataCamp for BusinessDescripción del curso
Aprende a utilizar Python para el Análisis de Series Temporales
Desde los precios de las acciones hasta los datos climáticos, puedes encontrar datos de series temporales en una gran variedad de ámbitos. Tener las habilidades para trabajar con esos datos de forma eficaz es una habilidad cada vez más importante para los científicos de datos. Este curso te introducirá en el análisis de series temporales en Python.Tras aprender qué es una serie temporal, explorarás varios modelos de series temporales, desde modelos autorregresivos y de medias móviles hasta modelos de cointegración. Por el camino, aprenderás a estimar, predecir y simular estos modelos utilizando bibliotecas estadísticas en Python.
Verás numerosos ejemplos de cómo se utilizan estos modelos, con especial énfasis en las aplicaciones en finanzas.
Descubre cómo utilizar los métodos de series temporales
Empezarás cubriendo los fundamentos de los datos de series temporales, así como la regresión lineal simple. Tratarás los conceptos de correlación y autocorrelación y cómo se aplican a los datos de series temporales, antes de explorar algunos modelos sencillos de series temporales, como el ruido blanco y el paseo aleatorio. A continuación, explorarás cómo se utilizan los modelos autorregresivos (AR) en los datos de series temporales para predecir los valores actuales y cómo los modelos de medias móviles pueden combinarse con los modelos AR para producir potentes modelos ARMA.Por último, verás cómo utilizar modelos de cointegración para modelizar dos series conjuntamente antes de estudiar un caso práctico real.
Explora los modelos y bibliotecas de Python para el análisis de series temporales Al final de este curso, comprenderás cómo funciona el análisis de series temporales en Python. Conocerás algunos de los modelos, métodos y bibliotecas que pueden ayudarte en el proceso y sabrás elegir los adecuados para tu propio análisis.
Este curso forma parte de un programa más amplio de Series Temporales con Python, que ofrece un conjunto de cinco cursos para ayudarte a dominar esta habilidad de la ciencia de datos.
Requisitos previos
Manipulating Time Series Data in Python1
Correlation and Autocorrelation
In this chapter you'll be introduced to the ideas of correlation and autocorrelation for time series. Correlation describes the relationship between two time series and autocorrelation describes the relationship of a time series with its past values.
2
Some Simple Time Series
In this chapter you'll learn about some simple time series models. These include white noise and a random walk.
3
Autoregressive (AR) Models
In this chapter you'll learn about autoregressive, or AR, models for time series. These models use past values of the series to predict the current value.
4
Moving Average (MA) and ARMA Models
In this chapter you'll learn about another kind of model, the moving average, or MA, model. You will also see how to combine AR and MA models into a powerful ARMA model.
5
Putting It All Together
This chapter will show you how to model two series jointly using cointegration models. Then you'll wrap up with a case study where you look at a time series of temperature data from New York City.
Análisis de Series Temporales en Python
Curso completo
Obtener certificado de logros
Añade esta certificación a tu perfil de LinkedIn o a tu currículum.Compártelo en redes sociales y en tu evaluación de desempeño.
Incluido conPremium or Teams
Inscríbete Ahora¡Únete a 19 millones de estudiantes y empieza Análisis de Series Temporales en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.