Curso avanzado de Series Temporales con R y Python

Aprende a analizar series de tiempo con casos prácticos como el coronavirus, el bitcoin o datos del mercado financiero

Ratings 4.48 / 5.00
Curso avanzado de Series Temporales con R y Python

What You Will Learn!

  • Introducción al mundo de las series temporales y al análisis del tiempo
  • Implementación de los análisis en R y Python
  • Estudio de datos del coronavirus
  • Estudio del Bitcoin
  • Estudio de Precios del mercado financiero
  • ¿Qué modelo usar en la práctica?
  • Modelos autorregresivos
  • Modelos de medias móviles
  • Modelos ARMA y ARIMA
  • Modelos estacionales y con variables exógenas SARIMAX
  • Modelos automáticos Auto ARIMA
  • Estudio de la volatilidad a través de ARCH y GARCH
  • Librerías más usadas: Yahoo Finance, Facebook prophet, Auto Arima, etc

Description

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 o serie de tiempo, 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 o series de tiempo, 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 14 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.

Who Should Attend!

  • Estudiantes de ingenierías, medicina o economía que busquen entender las correlaciones basadas en el tiempo y los modelos de series temporales
  • Estudiantes de estadística que quieran profundizar en el análisis de tiempo
  • Ingenieros de IA y ML que quieran conocer acerca del análisis de series temporales
  • Estudiantes de doctorado que quieran conocer acerca del análisis de series temporales
  • Empresas o usuarios que quieran hacer análisis de finanzas, evolución de datos médicos, y en general de cualquier información que dependa del tiempo

TAKE THIS COURSE

Tags

  • Python
  • Statistics
  • Time Series Analysis
  • RStudio

Subscribers

4780

Lectures

131

TAKE THIS COURSE



Related Courses