Resumen del programa
Sobre el programa
El curso ofrece una formación integral en pronóstico de series de tiempo, combinando fundamentos teóricos, manipulación de datos temporales, análisis de la estructura de la serie y construcción de modelos.
Se abordan desde técnicas clásicas hasta enfoques de machine learning incluyendo el manejo de datos temporales, la ingeniería de características, la explicabilidad de modelos y la evaluación rigurosa mediante backtesting. A lo largo del curso se trabajará con datos temporales de diversas industrias, como retail, minería, agricultura y salud, lo que permite ilustrar la aplicación práctica de los conceptos y modelos a un público con intereses y sectores variados.
El participante obtendrá las competencias necesarias para diseñar, implementar y evaluar proyectos de pronóstico en entornos reales.
Duración
20 horas · 4 semanas
Nivel
Intermedio
Categoría
Curso
Tema
Data Science
Aprendizaje práctico
Proyectos reales, laboratorios y casos de uso desde las primeras sesiones.
Equipo docente
Caleb Terrel
Horarios flexibles
Rutas on demand y sesiones en vivo adaptadas a tu ritmo profesional.
Impulso profesional
Certificación, bolsa de trabajo y acompañamiento para tu siguiente rol.
Equipo docente
Conoce a quienes imparten este programa.
Caleb Terrel
DATA SCIENCE
- ¿Por qué necesitamos pronosticar?
- Casos de uso de pronóstico
- El workflow del pronóstico
- Guía para proyectos de pronóstico
- Tipos de datos de fecha y hora
- Rangos de fechas, frecuencias y desplazamiento
- Gestión de zonas horarias
- Períodos y aritmética de períodos
- Remuestreo y conversión de frecuencias
- Funciones de ventana deslizante
- Caso práctico
- Componentes de la serie: nivel, tendencia, estacionalidad,ciclo, ruido
- Ruido blanco y ruido aleatorio
- Transformación de la serie: log y box cox
- Descomposición de tendencia: promedio móvil, LOESS
- Descomposición de estacionalidad: promedio por periodos, series de Fourier
- Descomposición de estacionalidad y tendencia: STL, MSTL
- Caso práctico
- Overview de ingeniería de características
- Datos faltantes, métodos de imputación: forward, backward, iterpolación lineal, spline
- Outliers, métodos de identificación y uso: promedio/mediana, móvil, LOWESS, STL, imputación, predictor
- Características de retardo: conocimiento previo, selección por modelo, métodos de correlación
- Características de ventana: móviles, de expansión, ponderadas/exponencial
- Caso práctico
- Características de tendencia: lineal, no lineal, changepoints
- Características de estacionalidad: fecha, dummy, fourier
- Características temporales: fecha, hora, cíclicas
- Codificación de categorías: one hot, ordinal, target
- Caso práctico
- Mecanismos de pronóstico: recursiva, directa
- Modelos locales vs globales
- Modelos básicos: Naive, promedio movil, naive estacional
- Modelos estadísticos: Regresión lineal, Suavizamiento exponencial, ARIMA, SARIMA, Theta
- Caso práctico
- Modelos de machine learning: random forest, gradient boosting: xgboost, lightgbm
- Explicabilidad de modelos ML: SHapley Additive exPlanations, interpretabilidad local y global
- Caso práctico
- Métricas de error dependientes de la escala: Bias, MAE, RMSE
- Métricas de error independientes de la escala: MASE, RMSSE
- Métricas de error porcentuales y ponderados: MAPE, SMAPE, WMAPE
- Métricas de error relativos: MRAE, relMSE
- Estrategias de backtesting: ventana de entrenamiento, reajuste del modelo
- Caso práctico
