Curso de series temporales multivariantes con R y Python
What you'll 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
Course content
- Preview04:34
- Preview10:54
- 02:51No valores el curso hasta completar más clases
- 04:54Material del curso para descargar en Github
- 09:20Cómo abrir los notebooks de Python en Google Colab
- 04:04Cómo abrir los datasets y los scripts en RStudio
- 00:04Acceso a la comunidad privada de estudiantes
- 06:36¿Cómo formular preguntas en el curso?
- Preview00:20
- 00:15Material extra
Requirements
- Es recomendable haber cursado anteriormente el curso de series temporales con R y Python
- Es opcional haber cursado anteriormente el curso de estadística multivariante con R y Python
- 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
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.
Who this course is for:
- 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
Instructor
![Elisa Cabana Garceran del Vall](data:image/svg+xml,%3Csvg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 64 64"%3E%3C/svg%3E){kind=avatar}
- 4.5 Instructor Rating
- 1,035 Reviews
- 15,184 Students
- 8 Courses
Hola a todos, soy Eli, la creadora de Aprende con Eli. Soy una joven profesora apasionada del Análisis de Datos. Sobre mi formación, soy Licenciada en Matemáticas por la Universidad de La Habana, ciudad en la que nací y crecí hasta que después de graduarme gané una beca para hacer el máster en la Universidad Carlos III de Madrid, España. Y luego, terminé haciendo el doctorado en la especialidad de Estadística. Actualmente me dedico a la investigación de métodos robustos de detección de atípicos, un campo que tiene muchísima importancia en Medicina, Neurociencia, Química, Geoquímica, Finanzas, entre muchos otros. Además de trabajar en investigación, soy profesora en la Universidad Carlos III de Madrid, donde tengo más de 10 años de experiencia impartiendo la asignatura de Estadística. He tenido alumnos de Ingeniería Informática, Telecomunicaciones, Industriales, Mecánica, Eléctrica, Administración de Empresas y ADE+Derecho. Me encanta todo lo relacionado con Data Mining, detección de atípicos, clustering, clasificación, regresión lineal, regresión logística, análisis discriminante, Machine Learning, Artificial Intelligence y Big Data, especialmente en R, Matlab o Python.
Sobre mí personalmente puedo decirles que también tengo una vena artística, me encanta tocar la guitarra, cantar covers, dibujar, escribir y la fotografía. Soy siempre muy positiva e intento no perder nunca la motivación por alcanzar mis objetivos. Y otra de mis pasiones es enseñar, ver que los estudiantes no solo "aprueban" sino que realmente aprenden. Eso me ha motivado crear estos cursos en Udemy, el saber que puedo enseñar la Estadística de una forma más práctica y más amena, porque a lo largo de mi experiencia docente he aprendido que los alumnos no suelen entender los conceptos porque no se explica a veces la conexión que hay entre todos ellos y el por qué es importante entenderlos.
Espero que te animes a pasar mis cursos y que te ayuden con tus objetivos académicos. En mi web Aprende con Eli, puedes obtener ¡tres libros gratis! Además encontrarás todos los cursos con descuento y un blog donde debatimos cosas interesantes como por ejemplo ¿cuál es la diferencia entre machine learning e inteligencia artificial?
¡Nos vemos en clase!