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
Curso avanzado de Series Temporales con R y Python
File Size :
6.45 GB
Total length :
18h 22m

Category

Instructor

Elisa Cabana Garceran del Vall

Language

Last update

Última actualización: 12/2022

Ratings

4.7/5

Curso avanzado de Series Temporales con R y Python

What you’ll 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

Curso avanzado de Series Temporales con R y Python

Requirements

Es recomendable haber cursado anteriormente el curso de probabilidad y el de estadística inferencial
Es recomendable haber cursado anteriormente el curso de estadística multivariante
Se necesitan conocimientos básicos de programación en R y en Python
Disponer de un ordenador con conexión a internet para utilizar R y Python

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.

Overview

Section 1: Bienvenido al curso

Lecture 1 Introducción

Lecture 2 No valores el curso hasta completar más clases

Lecture 3 Requisitos

Lecture 4 Material del curso

Lecture 5 Acceso a la comunidad privada de estudiantes

Lecture 6 ¿Cómo formular preguntas en el curso?

Lecture 7 Descuentos de todos mis cursos

Lecture 8 Material extra

Section 2: Tu libro de regalo sobre Series Temporales

Lecture 9 Libro de series temporales

Section 3: Introducción a las series temporales

Lecture 10 Introducción a series de tiempo

Lecture 11 Notación

Lecture 12 Peculiaridades de las series de tiempo

Lecture 13 Algo para que sigas adelante…

Lecture 14 Python – Examinando los datos

Lecture 15 Python – Gráfico de una serie de tiempo

Lecture 16 Python – QQ Plot

Section 4: Serie temporal en R y Python

Lecture 17 Python – Transformación de los datos

Lecture 18 Python – Fecha como índice

Lecture 19 Python – Frecuencia

Lecture 20 Python – valores faltantes

Lecture 21 Python – simplificando el dataset

Lecture 22 Python – conjunto de entrenamiento y prueba

Lecture 23 [NUEVO] Python: Agregando los datos en frecuencias diferentes

Lecture 24 Python – Actualizando los datos de precios con Yahoo Finance

Lecture 25 Algo para que sigas adelante…

Lecture 26 R – Manejando tiempo y fecha

Lecture 27 R – Objeto serie temporal y gráficos

Lecture 28 R – Valores faltantes y atípicos

Lecture 29 R – Objeto ts vs zoo (Starbucks & Microsoft) – Datos mensuales / diarios

Section 5: Características fundamentales

Lecture 30 Ruido Blanco – White Noise

Lecture 31 ¿Cómo generar ruido blanco en R?

Lecture 32 Caminata aleatoria – Random Walk

Lecture 33 ¿Cómo generar una caminata aleatoria en Python?

Lecture 34 ¿Cómo generar una caminata aleatoria en R?

Lecture 35 Estacionariedad

Lecture 36 Estacionariedad en Python

Lecture 37 Heterocedasticidad

Lecture 38 Estacionalidad

Lecture 39 Algo para que sigas adelante…

Lecture 40 Filtro Hodrick Prescott

Lecture 41 Python – Ejemplo pasajeros avión

Lecture 42 Autocorrelación

Lecture 43 Autocorrelación parcial

Lecture 44 R – Analizando temperaturas

Lecture 45 [NUEVO] Python – Visualizando patrones

Section 6: Técnicas de suavizado

Lecture 46 Promedio móvil simple – Python

Lecture 47 Holt-Winters – Python

Lecture 48 Suavizado exponencial completo en R

Section 7: Modelos AR autorregresivos

Lecture 49 Introducción a modelos predictivos

Lecture 50 AR autorregresivo

Lecture 51 Algo para que sigas adelante…

Lecture 52 Python AR(1) Precios

Lecture 53 Python AR(p) Precios

Lecture 54 Python AR Retornos

Lecture 55 Población USA

Section 8: Modelos MA: medias móviles

Lecture 56 MA medias móviles

Lecture 57 MA(1) Retornos Python

Lecture 58 MA(q) Retornos Python

Lecture 59 Residuos

Lecture 60 Algo para que sigas adelante…

Lecture 61 Normalización

Lecture 62 MA(1) Precios

Section 9: ARMA: autoregresivo de medias móviles

Lecture 63 Introducción a modelos ARMA

Lecture 64 ARMA(1,1)

Lecture 65 ARMA(p,q)

Lecture 66 Residuos

Lecture 67 ARMA para Precios

Section 10: ARIMA: autoregresivo integrado de medias móviles

Lecture 68 Introducción a modelos ARIMA

Lecture 69 ARIMA(1,1,1)

Lecture 70 ARIMA(p,d,q)

Lecture 71 Integración

Lecture 72 ARIMA en series estacionarias

Lecture 73 Algo para que sigas adelante…

Lecture 74 ARIMAX

Lecture 75 SARIMAX

Lecture 76 Ejemplo con datos de contaminación

Lecture 77 R – ARIMA Linces

Section 11: ARCH

Lecture 78 Volatilidad

Lecture 79 Introducción al modelo ARCH

Lecture 80 ARCH en detalle

Lecture 81 Algo para que sigas adelante…

Lecture 82 ARCH en Python

Lecture 83 ARCH(1)

Lecture 84 ARCH(p)

Section 12: GARCH

Lecture 85 Introducción a GARCH

Lecture 86 GARCH simple

Lecture 87 GARCH(p,q)

Section 13: Auto ARIMA

Lecture 88 Introducción a Auto ARIMA

Lecture 89 Algo para que sigas adelante…

Lecture 90 Auto ARIMA en Python

Lecture 91 Auto ARIMA modificado

Section 14: Series de tiempo multivariantes

Lecture 92 ¿Cómo analizar múltiples series de tiempo con un mismo modelo?

Section 15: Prediciendo el futuro

Lecture 93 Prediciendo el futuro de Yahoo Finance

Lecture 94 Prediciendo con AR y MA

Lecture 95 Modelos máximos

Lecture 96 Predicciones con estacionalidad

Lecture 97 Predicciones con auto ARIMA en Python

Lecture 98 Algo para que sigas adelante…

Lecture 99 Desventajas con pronósticos

Lecture 100 Prediciendo volatilidad

Lecture 101 VAR

Lecture 102 Auto ARIMA en R con tasas de inflación alemanas

Lecture 103 Auto ARIMA en R con Linces atrapados

Lecture 104 Prophet Facebook library

Lecture 105 Prophet pasajeros de avión

Lecture 106 Análisis del Covid-19

Lecture 107 Análisis de precios del Bitcoin

Lecture 108 Paquete coindeskr en R

Lecture 109 [NUEVO] Python: Hampel Filter para detectar atípicos en series temporales

Lecture 110 [NUEVO] R: Hampel Filter para detectar atípicos en series temporales

Lecture 111 Python Cómo invertir la diferenciación de la serie y volver a la escala original

Lecture 112 R: Cómo invertir la diferenciación de la serie y volver a la escala original

Lecture 113 [NUEVO] Python: Comparando Auto Arima y Prophet

Section 16: Redes Neuronales para Series de Tiempo

Lecture 114 Introducción y conceptos de redes neuronales

Lecture 115 Modelo Perceptrón

Lecture 116 Redes Neuronales en Deep Learning

Lecture 117 Python – Introducción a Keras

Lecture 118 Redes Neuronales Recurrentes

Lecture 119 LSTM

Lecture 120 Algo para que sigas adelante…

Lecture 121 Python – Time Series Generator

Lecture 122 Python – LSTM para predecir series de tiempo

Lecture 123 R – Red neuronal autorregresiva para predecir el consumo de electricidad

Lecture 124 Paquetes en Python y R

Section 17: Material complementario gratuito

Lecture 125 Material complementario gratuito

Section 18: Enhorabuena por completar el curso

Lecture 126 Lo has logrado!

Lecture 127 Clase Extra

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

Course Information:

Udemy | Español | 18h 22m | 6.45 GB
Created by: Elisa Cabana Garceran del Vall

You Can See More Courses in the Developer >> Greetings from CourseDown.com

New Courses

Scroll to Top