Temario curso

Tema 1: Introducción a las series temporales

• Visión general de las series temporales.
• Aplicaciones de series temporales en todas las industrias.
  • Uso en finanzas y economía.
    • Análisis bursátil.
    • Análisis de Riesgo de Mercado.
    • Análisis de Riesgo de Crédito.
    • Análisis de las condiciones económicas.
  • Uso en ventas y marketing.
    • Previsión de ventas al por menor.
    • Análisis y planificación de la estacionalidad.
    • Gestión de inventarios.
    • Análisis de campañas de marketing.
    • Segmentación de clientes.
  • Uso en el cuidado de la salud.
    • Análisis de las características del paciente en el tratamiento de las comorbilidades.
    • Detección y predicción de enfermedades.
  • Uso en ciencias meteorológicas y ambientales.
  • Uso en transporte y gestión del tráfico.
• Preparación de datos de series temporales.

Tema 2: Descripción general de las bibliotecas de series temporales en Python

• Pandas para series temporales.
• NumPy para series temporales.
• Prophet de las series temporales.
• AutoTS para series temporales.

Tema 3: Visualización de datos de series temporales

• Introducción a las bibliotecas de visualización de series temporales de Python.
  • Explorando Matplotlib y sus usos.
  • Explorando Seaborn y sus usos.
  • Explorando la trama y sus usos.
• Gráficos básicos de series temporales con Matplotlib.
  • Diagrama de líneas.
  • Diagrama de dispersión.
  • Diagrama de caja.
  • Histograma.
• Visualización avanzada de series temporales con Seaborn.
  • Mapa de calor.
  • Parcelas de pares.
• Visualización interactiva de series temporales con Plotly.
  • Parcela de superficie.
  • Gráfico de velas.

Tema 4: Análisis exploratorio de datos de series temporales

• Carga e inspección de datos de series temporales.
• Comprensión de la estadística descriptiva.
  • Significar.
  • Mediana.
  • Modo.
• Explorando la descomposición de series temporales.
  • Tendencia.
  • Estacionalidad.
  • Nivel.
  • Ruido.
• Realización de análisis de estacionariedad.
  • Prueba de Dickey-Fuller aumentada.
  • Prueba de Kwiatkowski-Phillips-Schmidt-Shin (KPSS).
• Revisión de la autocorrelación y la autocorrelación parcial.
  • Autocorrelación.
  • Autocorrelación parcial.
• Exploración de estadísticas continuas.

Tema 5: Ingeniería de características en series temporales

• Ingeniería de características univariantes,
  • Creación de entidades univariantes basadas en retrasos.
  • Cálculo de estadísticas continuas.
  • Cálculo de estadísticas de ventana expandible.
  • Cálculo de medias móviles exponenciales.
• Ingeniería de características multivariantes.
  • Creación de entidades multivariantes basadas en retrasos.
  • Creación de características basadas en términos de interacción.
  • Creación de entidades agregadas.

Tema 6: Pronóstico de series temporales - Enfoque de ML Parte 1

• Introducción de datos.
• Entendiendo la Media Móvil Integrada Autorregresiva (ARIMA).
  • Documentación del modelo.
• Aplicación de ARIMA en datos de series temporales.
• Ilustración de modelos de suavizado exponencial.
  • Documentación del modelo.
  • Aplicación de suavizado exponencial simple en datos de series temporales.
  • Doble suavizado exponencial.
  • Aplicación de doble suavizado exponencial en datos de series temporales.
  • Triple suavizado exponencial.
  • Aplicación de suavizado exponencial triple en datos de series temporales.
• Explorando el algoritmo de Prophet.
  • Aplicación de Prophet en datos de series temporales.

Tema 7: Pronóstico de series temporales - Enfoque de ML Parte 2

• Introducción de datos.
• Aplicación de modelos ocultos de Markov (HMM).
  • Aplicación de HMM en datos de series temporales.
• Entendiendo el proceso gaussiano.
  • Aplicación del proceso gaussiano en datos de series temporales.
• Desarrollo de un enfoque basado en ML para la predicción de series temporales.
• Aplicación de la máquina de vectores de soporte.
  • Aplicación de SVM en datos de series temporales.
• Aplicación del vecino k-más cercano (KNN).
  • Aplicación de KNN en datos de series temporales.
• Implementación con Random Forest.
  • Aplicación de bosque aleatorio en datos de series temporales.
• Implementación con Gradient Boosting.
  • Aplicación de Gradient Boosting en datos de series temporales.

Tema 8: Predicción de series temporales - Enfoque DL

• Introducción de datos.
• Comprensión de las redes de memoria a corto y largo plazo.
• Desarrollo de un enfoque basado en el aprendizaje profundo para la predicción de series temporales.
• Aplicación de unidades recurrentes cerradas.
  • Aplicación de GRU en los datos de series temporales.
• Aplicación de redes neuronales convolucionales.
  • Aplicación de la CNN en los datos de series temporales.

Tema 9: Series temporales multivariantes, métricas y validación

• Introducción de datos.
• Descripción de la autorregresión vectorial.
  • Aplicación del VAR en datos de series temporales.
• Aplicación del modelo de corrección de errores vectoriales.
• Aplicación de VECM en datos de series temporales.
• Descripción de VARMAX.
• Aplicación de VARMAX en datos de series temporales.
• Métricas para series temporales.