Este curso emplea librerías de código abierto de Python que facilitan la ejecución de tareas estándar dentro de los proyectos de machine learning.
Por medio de la escritura de pocas líneas de código trabaja de punta a punta en la implementación de modelos predictivos para series temporales. Adicionalmente, evalúa y compara las estimaciones de múltiples modelos para obtener las mejores predicciones.
Automatiza la ejecución de modelos: ARIMA, Suavizado exponencial, Ridge, Lasso, Random Forest, Light Gradient Boosting y Prophet.
Finalmente, ejecuta un proyecto en donde pondrás en práctica los conocimientos adquiridos simulando un entorno productivo.
Al finalizar este curso tendrás la capacidad de:
| Implementar código Python mediante el trabajo con notebooks. | |
| Comprender la estructura de las series temporales y sus principales características. | |
| Realizar el análisis exploratorio de datos y emplear pruebas estadísticas con datos temporales. | |
| Ejecutar modelos estadísticos y de machine learning para generar predicciones futuras. | |
| Comparar múltiples modelos y evaluar métricas para garantizar un alto desempeño. | |
| Implementar de punta a punto el flujo de trabajo en proyectos de forescasting. |
2023
Online en vivo
30 horas distribuidas
en 4 semanas
martes, miércoles y jueves: 18h30 a 20h30 (GTM-5 Quito, Lima y Bogotá)
Asimila las nociones básicas al trabajar sobre datos temporales por medio del manejo de librerías de Python.
Ejecuta la descomposición de las series de tiempo para identificar aspectos como: estacionalidad, tendencia y residuos. Emplea visualizaciones interactivas para analizar el comportamiento de los datos temporales en diversos conjuntos de datos.
Implementa el modelo de suavizado exponencial para el pronóstico de series temporales.
Despliega el modelamiento con los métodos ARIMA y auto ARIMA en función de la estadística tradicional.
Aplica los modelos Ridge y Lasso que manejan los supuestos de linealidad para la generación de las predicciones.
Ejecuta los modelos de Random Foresst y LightGMB basados en el método de “ensemble” para obtener un mejor rendimiento predictivo.
Implementa el modelo creado por Facebook que se fundamenta en una regresión aditiva con una tendencia de curva de crecimiento.
Trabajarás con datos reales, para poner en práctica los conceptos aprendidos durante los módulos anteriores.
Analista de Datos
Recopila, organiza y estudia los datos para proporcionar soluciones desde una visión de negocio. Aplica herramientas de análisis y visualización de datos para la toma de decisiones y presentación de resultados.
Científico de Datos
Emplea datos para identificar y resolver problemas de negocio complejos. Tiene un enfoque interdisciplinario, utilizando técnicas y conocimientos de diversas disciplinas científicas e informáticas.
Ingeniero de Datos
Prepara, refina y disponibiliza datasets de calidad y los integra en la arquitectura empresarial, creando flujos automatizados de datos que provienen de fuentes estructuradas y no estructuradas.
Custodio de Datos
Define y maneja el uso de datos, ejecutando las políticas, criterios y procesos para asegurar la calidad, seguridad e integridad de los datos de la organización, de principio a fin.
