Udemy

Platform

Español

Language

Data Science

Category

Curso de series temporales multivariantes con R y Python

Aprende a analizar series de tiempo multivariantes con casos prácticos como el análisis de datos del mercado financiero

4.90 (52 reviews)

Students

17 hours

Content

Mar 2021

Last Update
Regular Price

BLUE HOST
Blue Host
Fast, easy, and secure WordPress hosting in minutes + 1 free domain name
65%OFF : $2.95/month

What you will learn

Introducción al mundo multivariante de las series temporales

Implementación de los análisis en R y Python

Estudio de Precios del mercado financiero

Estudios de los mercados de USA, Filipinas, Sudáfrica

Estudio de datos de calidad del aire

Estudios de ingeniería y calidad de sensores

¿Cómo analizar series de tiempo multivariantes en la práctica?

Modelo VAR vector autorregressive model para series de tiempo multivariantes

Causalidad de Granger

Pronosticar múltiples series de tiempo


Description

El mundo del análisis de Series Temporales o Series de Tiempo cada vez va tomando más y más fuerza. Y es que muchas veces nos encontramos con aplicaciones prácticas que dependen del tiempo de alguna manera, por ejemplo, cuando estamos analizando los datos del reciente virus COVID19 que está afectando a todo el planeta, tendremos datos diarios de casos activos, casos nuevos detectados, o incluso muertes en cada uno de esos días. Estos datos son importantísimos a la hora de pronosticar de cara al futuro qué va a pasar, si van a subir o van a bajar esos casos.

Pero, ¿para qué nos sirve esto? Pues para mucho más de lo que te imaginas. Porque saber aproximadamente lo que va a pasar en el futuro nos puede dar una idea de si esto significará que el sistema sanitario va a colapsarse pronto, y esto nos permite tomar medidas urgentes antes de que realmente pase esa situación de colapso que puede ser una emergencia realmente desastrosa para la sociedad. Por otro lado, puede significar que se ha logrado controlar la situación lo suficiente como para comenzar la desescalada del confinamiento. En fin, como ves, tener una idea cercana del futuro más próximo nos permite actuar con antelación, y tomar medidas de emergencia para evitar desastres mayores.

El análisis de series temporales también es muy utilizado en Finanzas y Economía, usualmente para analizar datos del mercado financiero. En este curso vamos a tratar con muchos dataset de datos reales de precios o variables macroeconómicas de diferentes mercados: USA, Filipinas, Sudáfrica, etc, y lo veremos paso a paso tanto con R como con Python.

¿Qué diferencia hay entre este curso y un curso regular de series de tiempo univariantes?

¡EL ASPECTO MULTIVARIANTE!

Así es, como bien sabes nuestro mundo no es univariante, es multivariante, muchas veces tendremos a nuestra disposición múltiples datos, en nuestro caso múltiples series temporales que se co-relacionan entre sí y proporcionan información valiosa unas a otras. Por ejemplo, para un vendedor de cócteles que está estudiando las ventas diarias de su chiringuito de la playa, será interesante estudiar la serie temporal de la temperatura del ambiente, la serie de cócteles diarios vendidos, la serie temporal de los precios, la de las ganancias, la serie de cantidad de cócteles ofertados, la serie de la cantidad de sillas dispuestas en la arena, etc. Todas estas series son información relevante y muchas de ellas se relacionan entre sí, por eso, para estudiarlas, debemos hacer uso de las técnicas para el análisis de series temporales multivariantes.

En este curso cubriremos desde los conceptos más básicos del campo de las series de tiempo univariantes (para que lo tengas todo a mano en un solo curso), hasta el concepto de serie de tiempo multivariante, sus propiedades, su modelización, tanto en R como en Python, y más de 10 casos prácticos diferentes de series temporales multivariantes para que puedas poner en práctica todos estos conocimientos.

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 tú, buscan aprender acerca del análisis de series temporales, y más de 15 horas de vídeo de alta calidad con todas las explicaciones necesarias para aplicar por ti mismo estos conocimientos.

Nos vemos en clase y espero que disfrutes del Curso de series temporales multivariantes con R y Python.


Screenshots

Curso de series temporales multivariantes con R y Python
Curso de series temporales multivariantes con R y Python
Curso de series temporales multivariantes con R y Python
Curso de series temporales multivariantes con R y Python

Content

Bienvenido al curso

Introducción

Requisitos del curso

No valores el curso hasta completar más clases

Material del curso para descargar en Github

Cómo abrir los notebooks de Python en Google Colab

Cómo abrir los datasets y los scripts en RStudio

Acceso a la comunidad privada de estudiantes

Ruta de aprendizaje y todos los cursos en descuento en Aprende con Eli

Series temporales univariantes: conceptos básicos y recordatorio

Esta sección es opcional

Concepto de serie temporal univariante

Notación

Características fundamentales de una serie de tiempo

Python: Examinando una serie univariante

Python: Graficar serie univariante

Python: QQplot

Python: Transformaciones

Python: Fechas como índice de la serie

Python: Frecuencia

Python: Valores faltantes (missing)

Python: Conjunto de entrenamiento y prueba

Python: Descargar datos de Yahoo Finance a día de hoy

R: Manejo de tiempo y fechas

Objeto ts y gráficos

Valores faltantes y atípicos

Objeto ts vs objeto zoo

Ruido Blanco

Estacionariedad: Test Dickey-Fuller

Python: Estacionariedad

Estacionalidad

Python: Ejemplo pasajeros de avión

Autocorrelación

Autocorrelación parcial

R: Analizando temperaturas

Introducción a modelos predictivos

Modelo AR autorregresivo

AR(1)

AR(p)

AR Retornos de precios del mercado

AR Población USA

Modelo MA medias móviles

MA(1)

MA(q)

Residuos del modelo

Normalización

MA(1) Modelo para predecir los precios del mercado

Modelo ARMA

ARMA(1,1)

Modelo ARIMA

ARIMA(1,1,1)

ARIMA en series estacionarias

ARIMAX: variables exógenas

R: Estudio de linces canadienses

Pronósticos del futuro con Yahoo Finance

AR o MA para predecir

ARIMA y ARIMAX para predecir el futuro

Python: Autoarima datos de precios del mercado

R: Autoarima con dataset de linces

Si quieres saber más sobre series temporales univariantes

Series temporales multivariantes

Desventajas del análisis de series temporales clásico univariante

Introducción a las series temporales multivariantes

Estructura y categorización

Ejemplo de serie temporal multivariante

¿Cómo escoger el modelo adecuado?

Estacionariedad en una serie temporal multivariante

Modelo VAR y VARMA

Causalidad de Granger

Causalidad de Granger no es realmente causalidad

Predicciones y pronósticos en el caso multivariante

Librerías R y Python

Introducción a los casos de estudio

Pasos generales para análisis de series de tiempo multivariantes

Cómo generar una serie de tiempo multivariante

Casos de estudio con R-Studio: Datos macroeconómicos de Estados Unidos

Cargando librerías y datos

Análisis exploratorio

Dividiendo en conjuntos de entrenamiento y prueba

Estacionariedad

Modelo VAR

Causalidad de Granger

Diagnosis del modelo

Pronósticos a futuro

Evaluación del modelo

Re-entrenando el modelo con todos los datos

Casos de estudio con R-Studio: Datos macroeconómicos de Sudáfrica

Análisis exploratorio

Dividiendo en conjuntos de entrenamiento y prueba

Estacionariedad

Modelo VAR

Diagnosis del modelo

Predicciones

Evaluando el modelo

Re-entrenando el modelo con todos los datos

Casos de estudio con R-Studio: Datos macroeconómicos de Filipinas

Análisis exploratorio

Conjunto de entrenamiento y prueba

Estacionariedad

Modelo VAR

Diagnosis del modelo

Pronósticos

Evaluación del modelo

Casos de estudio con R-Studio: Comodities Oro y Plata

Precios del Oro y la Plata: análisis exploratorio

Estacionariedad

Modelo VAR

Prediciendo los precios del oro y la plata

Casos de estudio con R-Studio: Datos macroeconómicos mayor dimensión

Serie multivariante de 20 variables macroeconómicas

Modelo VAR con variables exógenas

Pronósticos a futuro

Casos de estudio con R-Studio: Mercado financiero europeo

Análisis del EuStockMarket

Análisis exploratorio y Estacionariedad

Modelo, Causalidad y Diagnosis

Pronósticos a futuro

Resumen casos de estudio en R: metodología y trucos

Resumen casos estudio en R

Casos de estudio con Python: Precios del Oro y la Plata

Pasos para analizar series temporales multivariantes en Python

Yahoo Finance para obtener datos del mercado financiero actualizados

Análisis exploratorio

Conjunto de entrenamiento y prueba

Estacionariedad

Transformación de los datos

Modelo VAR

Causalidad de Granger

Diagnosis del modelo

Pronósticos

Evaluación del modelo

Casos de estudio con Python: Índices del mercado financiero europeo

Pre-procesado de los datos

Análisis exploratorio

Conjunto de entrenamiento y prueba

Estacionariedad

Modelo VAR

Causalidad de Granger

Diagnosis del modelo

Pronósticos

Casos de estudio con Python: Crecimiento salarial y el proceso de inflación

Importando datos de Github

Análisis exploratorio

Estacionariedad

Modelo VAR

Causalidad de Granger

Diagnosis del modelo

Pronósticos

Eliminando una variable y volviendo a repetir los pasos

Casos de estudio con Python: Sensores de gas

Análisis exploratorio

Estacionariedad

Modelo VAR y Causalidad de Granger

Diagnosis del modelo

Pronósticos

Casos de estudio con Python: Calidad del Aire

Pre-procesado de datos de alta dimensión

Análisis exploratorio y Estacionariedad

Modelo VAR, Causalidad de Granger y Diagnosis

Pronósticos

Resumen casos de estudio en Python: metodología y trucos

Resumen casos de estudio en Python

Clase Extra

Clase Extra


Reviews

A
Alejandro22 January 2021

Buen curso para conocer y repasar algunos temas relacionados con las series de tiempo. El contenido teorico es bastante facil de comprender y las secciones de Anomalias y CausalImpact son un plus.

M
Manuel11 January 2021

Buen complemento sobre series temporales multivariantes. Eso si, recomiento encarecidamente cursar el de series univarientes ya que entiendes más las bases.

C
Carlos8 January 2021

- Falta mayor profundidad en la explicación de ciertos temas y mayor variedad de tópicos concernientes a las series multivariantes (se emplea casi el 50% del curso retomando las series univariantes). Por ejemplo en el tema de atípicos, la clase es muy larga y la explicación en general es muy superficial y deja vacíos notables. - Las clases de ejemplos prácticos se vuelven muy repetitivas.

M
Maria4 October 2020

Me está gustando mucho el contenido de este curso. Bien organizado y explicado. Contenidos adecuados.

F
Fernando30 September 2020

El curso me ha parecido una auténtica pasada. Muchísimo contenido útil. Es increíble encontrarse cursos de esta calidad por un precio tan reducido. ¡Muchas gracias por el esfuerzo realizado! Me ha encantado.

S
Sarah30 September 2020

Me ha parecido un curso estupendo y lo que más me ha gustado han sido los casos de estudio. Muy bien diseñado y muy práctico. Se agradece todo este contenido de tan alta calidad. Enhorabuena!


Coupons

DateDiscountStatus
1/17/202195% OFFExpired
3/9/202195% OFFExpired
4/20/202195% OFFExpired
5/21/202195% OFFExpired

3484544

Udemy ID

9/8/2020

Course created date

10/1/2020

Course Indexed date
Bot
Course Submitted by