Descripción
La predicción de series temporales es una de las tareas más importantes en analítica de negocios, ya que permite anticipar ventas, precios, demanda o cualquier variable que evoluciona en el tiempo. En este curso aprenderás a aplicar paso a paso dos de los modelos más utilizados en forecasting: ARIMA y Prophet .
Comenzaremos con una introducción a los fundamentos: qué son las series temporales , sus componentes (tendencia, estacionalidad y ruido) y cómo preparar los datos corrigiendo outliers, valores nulos y duplicados . Verás cómo usar SQL y Python para cargar y limpiar información real de ventas.
Luego entrarás en el modelado con ARIMA , entendiendo los parámetros p, d, q , aplicando auto_arima y validando supuestos como autocorrelación, estacionariedad y normalidad de residuos. Aprenderás a calcular métricas de precisión como MAPE y RMSE , y a visualizar los resultados comparados con datos reales.
Posteriormente, exploraremos Prophet , una herramienta desarrollada por Meta que simplifica la creación de modelos de predicción. Verás cómo incorporar variables exógenas (promociones, precios), ajustar changepoints , personalizar parámetros de estacionalidad y holidays, y generar gráficos de componentes para explicar mejor las predicciones.
También compararemos ambos modelos con métricas avanzadas como AIC y BIC , destacando ventajas y desventajas de cada enfoque. El curso cierra con buenas prácticas para presentar forecasts al negocio , incluyendo intervalos de confianza, visualizaciones claras y almacenamiento de resultados en CSV o bases de datos.
Como proyecto final, aprenderás a automatizar predicciones exportando modelos a pickle y programando notebooks o scripts recurrentes.
Este curso combina teoría, práctica y casos reales, ideal para quienes buscan dominar forecasting con ARIMA y Prophet en entornos de negocio. ¿Para quién?
Analistas de datos, científicos de datos y profesionales de BI.
Equipos de marketing, ventas y finanzas que necesitan proyecciones confiables.
Estudiantes o autodidactas interesados en machine learning aplicado a series temporales.
Profesionales que quieran comparar métodos clásicos (ARIMA) con modernos (Prophet). Lo que aprenderás
Comprender los conceptos de series temporales, tendencia, estacionalidad y ruido.
Detectar y corregir outliers y problemas comunes en datos de negocio.
Construir modelos de forecasting con ARIMA y Prophet desde cero.
Incorporar variables exógenas como precios o campañas para mejorar predicciones.
Evaluar modelos con métricas clave: MAPE, RMSE, AIC y BIC.
Exportar y automatizar predicciones en notebooks o scripts programados. Requisitos
Conocimientos básicos de estadística y series temporales.
Familiaridad con Python y SQL (nivel básico).
Tener instalado Python y librerías como statsmodels, pmdarima y prophet.
Nociones de analítica de negocios (opcional, pero recomendable).
El curso está pensado para estudiantes y profesionales que buscan aplicar forecasting a problemas de negocio reales.
Cupon: JUNIOW226
Haz clic en el boton de abajo para aplicar el cupon automaticamente.
