1 · Fundamentos de series temporales
Qué hace especiales a los datos ordenados en el tiempo, sus componentes de tendencia/estacionalidad/ruido y el manejo de fechas y resampling en pandas.
●Track 12 · En vivo
Pronóstico de series temporales
Predice el futuro desde el pasado — ARIMA, suavizado y forecasting con ML.
Los datos con un eje temporal rompen la suposición i.i.d. que hacen todos los demás tracks de ML — el orden importa y nunca debes barajar. Este track cubre el toolkit completo de forecasting: descomposición de tendencia/estacionalidad, estacionariedad y la prueba ADF, ACF/PACF, AR/MA/ARIMA/SARIMA, suavizado exponencial, ingeniería de features para series temporales, validación walk-forward y forecasting con ML/DL. pandas, statsmodels y matplotlib corren en tu navegador, así que los modelos clásicos son reales — los modelos profundos (LSTM) son para leer.
19 / 19 lecciones7 capítulos
2 · Estacionariedad y autocorrelación
La propiedad que requieren los modelos clásicos, cómo probarla (ADF), leer gráficos ACF/PACF y arreglar la no-estacionariedad por diferenciación.
3 · Familia ARIMA
Los caballos de batalla del forecasting clásico — AR y MA, combinados en ARIMA, y extendidos con estacionalidad a SARIMA.
4 · Métodos de suavizado
Medias móviles y suavizado exponencial (Holt-Winters) — pronosticadores simples y robustos que a menudo son difíciles de superar.
5 · Feature engineering para ML
Convierte una serie en un dataset supervisado — features de retardo, estadísticas móviles, features de fecha — y valida SIN filtrar el futuro.
6 · Forecasting con ML y deep learning
Pronostica con árboles potenciados por gradiente sobre features diseñadas, y conoce los modelos de secuencia (RNN/LSTM) hechos para el tiempo.
7 · Evaluación y capstone
Métricas de pronóstico (MAE/RMSE/MAPE) y baselines, backtesting con validación walk-forward y un proyecto de forecasting completo de principio a fin.