Lección 1 del curso Pronósticos de Series de Tiempo con Regresión.
En este primer módulo del curso veremos un conjunto de conceptos y herramientas que serán útiles siempre que abordemos un proyecto de generación de pronósticos de Series de Tiempo.
Y en esta primera lección del curso veremos cuál es la metodología que sugiero implementar cuando desarrollemos un proyecto de generación de pronósticos sobre Series de Tiempo. Además, veremos un primer ejemplo sencillo de generación de pronósticos en Python siguiendo esta metodología y haciendo uso de la librería MLForecast:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, la metodología para abordar un proyecto de generación de pronósticos es muy similar a la metodología para abordar cualquier proyecto de Ciencia de Datos.
Sin embargo, en el caso particular de las Series de Tiempo las técnicas a usar serán diferentes pues estos datos tienen la característica de que tendremos una secuencia de observaciones que están interrelacionadas.
Esto implica que tendremos que implementar fases de pre-procesamiento y análisis exploratorio propias de las Series de Tiempo y que ya hemos visto en cursos anteriores (como Series de Tiempo: preprocesamiento y Series de Tiempo: Análisis Exploratorio).
De igual manera, los modelos predictivos también tendrán en cuenta precisamente estas características únicas de las Series de Tiempo.
Así que teniendo claras estas fases para implementar modelos de generación de pronósticos, y habiendo visto un primer ejemplo sencillo en Python, en la siguiente lección veremos un conjunto de métodos simples para generación de pronósticos, que en ocasiones podremos usar (dependiendo de las características de la Serie) y que además nos servirán como punto de comparación para medir el desempeño de modelos más sofisticados.
Todas las lecciones del curso Pronósticos de Series de Tiempo con Regresión