- Conceptos clave:
- Definición y características de una serie temporal.
- Componentes de una serie temporal: tendencia, estacionalidad, y ruido.
- Tipos de series temporales: estacionarias y no estacionarias.
- Proyecto: Análisis exploratorio de una serie temporal.
- Descargar un conjunto de datos de series temporales (por ejemplo, datos de clima o ventas) y graficar sus componentes básicos. Realizar un análisis descriptivo inicial.
- Conceptos clave:
- Manejo de datos faltantes en series temporales.
- Resampleo y agregación de series temporales.
- Transformaciones de datos: diferencias logarítmicas, suavizamiento.
- Proyecto: Limpiar y preparar una serie temporal.
- Descargar una serie temporal con valores faltantes (por ejemplo, precios de acciones) y aplicar técnicas de interpolación y suavizamiento para preparar los datos para análisis y modelado.
- Conceptos clave:
- Descomposición aditiva y multiplicativa de series temporales.
- Identificación de tendencia, estacionalidad y residuos.
- Aplicación de métodos de descomposición como STL (Seasonal and Trend decomposition using Loess).
- Proyecto: Descomponer una serie temporal.
- Utilizar un conjunto de datos financieros o meteorológicos para descomponer la serie en sus componentes y analizar cómo cada uno contribuye al comportamiento general de la serie.
- Conceptos clave:
- Promedio Móvil Simple (SMA) y Exponencial (EMA).
- Suavizamiento exponencial simple y de Holt-Winters.
- Evaluación de modelos de suavizamiento con métricas como MSE y MAE.
- Proyecto: Implementar un modelo de suavizamiento exponencial.
- Aplicar suavizamiento exponencial y el método de Holt-Winters para predecir tendencias en datos financieros o ventas. Comparar los resultados con los datos reales.
- Conceptos clave:
- Introducción a modelos AR (Autoregresivos), MA (Medias Móviles), ARMA y ARIMA.
- Identificación de estacionariedad en series temporales (prueba de Dickey-Fuller).
- Selección de parámetros para ARIMA (p, d, q) y validación del modelo.
- Proyecto: Ajustar un modelo ARIMA para predicción.
- Aplicar ARIMA a una serie temporal de ventas o precios de acciones. Realizar validación cruzada y ajuste de parámetros para optimizar las predicciones.
- Conceptos clave:
- Introducción al modelo SARIMA (ARIMA estacional).
- Extender ARIMA con estacionalidad.
- Incorporación de variables exógenas en SARIMAX y su impacto en la predicción.
- Proyecto: Implementar SARIMA y SARIMAX para predecir series temporales estacionales.
- Utilizar datos estacionales (por ejemplo, ventas mensuales) y ajustarlos a un modelo SARIMA o SARIMAX. Evaluar la mejora en las predicciones respecto a modelos no estacionales.
- Conceptos clave:
- Introducción a la volatilidad en series temporales y su modelado.
- Modelos GARCH (Generalized Autoregressive Conditional Heteroskedasticity).
- Aplicaciones de GARCH para series temporales financieras y análisis de riesgo.
- Proyecto: Implementar un modelo GARCH.
- Aplicar un modelo GARCH para predecir la volatilidad de precios de activos financieros (por ejemplo, precios de criptomonedas). Analizar cómo la volatilidad impacta en la toma de decisiones.
- Conceptos clave:
- Uso de machine learning para series temporales.
- Comparación entre modelos tradicionales y machine learning.
- Entrenamiento de Random Forest y XGBoost para series temporales, manejo de features temporales.
- Proyecto: Implementar Random Forest y XGBoost para predicción de series temporales.
- Comparar el desempeño de Random Forest y XGBoost en la predicción de precios de acciones o demanda de productos, utilizando métricas de evaluación y técnicas de validación cruzada.
- Conceptos clave:
- Introducción a redes neuronales recurrentes (RNN) y su aplicación en series temporales.
- Redes LSTM (Long Short-Term Memory) y su capacidad para capturar dependencias a largo plazo.
- Uso de redes neuronales en predicción a largo plazo y técnicas de regularización.
- Proyecto: Implementar un modelo LSTM.
- Usar LSTM para predecir el valor futuro de una serie temporal financiera o de demanda de productos. Evaluar la efectividad del modelo comparado con métodos tradicionales.
- Conceptos clave:
- Modelos avanzados: Prophet de Facebook y Modelos Híbridos (combinación de ARIMA + ML).
- Optimización de hiperparámetros para modelos de series temporales.
- Evaluación y comparación de modelos utilizando métricas avanzadas y análisis de errores.
- Proyecto: Implementar un modelo híbrido ARIMA + XGBoost o Prophet.
- Utilizar Prophet o combinar ARIMA con un modelo de machine learning para mejorar las predicciones en un dataset complejo. Comparar el desempeño del modelo híbrido con los modelos individuales.
- Conceptos clave:
- Introducción a modelos multivariados para series temporales (VAR, VECM).
- Cointegración y sus implicaciones en el análisis de series temporales.
- Pruebas de cointegración y modelos de corrección de errores.
- Proyecto: Aplicar modelos VAR o VECM a series temporales multivariadas.
- Utilizar un conjunto de datos con múltiples series temporales (por ejemplo, variables económicas) para modelar sus interacciones y relaciones a largo plazo.
- Conceptos clave:
- Técnicas para detectar anomalías y puntos de cambio en series temporales.
- Modelos basados en estadística y machine learning para detección de anomalías.
- Métodos de visualización para anomalías en series temporales.
- Proyecto: Implementar un sistema de detección de anomalías.
- Aplicar técnicas de detección de anomalías a una serie temporal (por ejemplo, datos de sensores) y evaluar la capacidad del modelo para identificar eventos inusuales.
- Conceptos clave:
- Aplicación de técnicas de regresión para modelar series temporales.
- Modelos de regresión con componentes de series temporales (Regresión ARIMA, Regresión Dinámica).
- Evaluación de la relación entre series temporales y variables predictoras.
- Proyecto: Implementar un modelo de regresión para series temporales.
- Usar técnicas de regresión para modelar una serie temporal y evaluar el impacto de variables externas en la serie temporal.
- Descripción: El proyecto final consistirá en aplicar una combinación de técnicas aprendidas a lo largo del curso para resolver un problema real de series temporales. Selecciona un conjunto de datos complejo, como precios de acciones, demanda de energía o ventas de productos, y aplica técnicas como ARIMA, SARIMA, GARCH, LSTM, y modelos de machine learning para construir un sistema de predicción integral. Evalúa el rendimiento de cada modelo y proporciona recomendaciones basadas en el análisis comparativo.