Las series temporales son usadas en multitud de áreas, siendo cada vez más frecuente que la generación de un dato vaya acompañada de una marca temporal. Por ejemplo, la salida de un sensor que mida la temperatura de un motor se registra junto con información sobre la fecha y hora de generación del dato, permitiéndonos la aplicación de técnicas especializadas que predigan la rotura del motor o una disminución de su rendimiento antes de que ocurra. Las aplicaciones de este tipo de análisis son innumerables: desde el análisis predictivo de la evolución de las constantes vitales de un paciente, hasta la predicción de la evolución de un valor bursátil.
Comenzaremos este curso con una introducción a las técnicas más básicas sobre las que se asientan este tipo de metodologías y profundizaremos en la familia de algoritmos ARIMA.
Para el correcto seguimiento del curso los asistentes deberán conocer el lenguaje de programación Python.
Contenidos:
- Introducción al análisis de series temporales
- Métodos básicos de predicción de series temporales
- Carga y transformación de datos
- Base matemática
- Correlación
- Autocorrelación
- Función de autocorrelación
- Función de autocorrelación parcial
- Ruido blanco
- Modelos auto-regresivos
- AIC y BIC
- Predicciones
- Perfil de series AR
- Modelos Moving Average
- Perfil de series MA
- El modelo ARMA
- Estacionariedad de series
- Test de Dicky-Fuller Aumentado
- Transformaciones
- Integración
- El modelo ARIMA
- Búsquedas del mejor modelo
- Descomposición de series temporales
- El modelo SARIMA
- Diagnóstico de modelos
- Automatización del cálculo de los órdenes óptimos
- El modelo SARIMAX
- Librería Pandas:
- Tipos de datos temporales
- Herramientas de tratamiento de datos temporales
