Este curso es la entrada al mundo del análisis de series temporales utilizando las herramientas más poderosas de programación disponibles para ello: R y Python. Aprenderás las bases para crear, modificar y manipular series temporales y jugar con datos de tipo fecha. Además se brindando los conceptos iniciales para el análisis de series temporales como autocorrelación, estacionaridad, estacionalidad, tendencia, ciclicidad. Conceptos con los que aprenderás a desentrañar patrones ocultos y tendencias en tus datos, y así explorar la esencia misma de las series temporales. Recuerda, para este curso ya debes saber sobre tidyverse en R y pandas en Python

Con el dominio de las bases para el análisis de series temporales, este curso es tu siguiente paso hacia la obtención pronósticos precisos. Descubrirás el proceso de modelamiento por completo, incluyendo la forma de validar tu modelo, las métricas para evaluar su calidad y cómo entrenarlo y afinar sus hiperparámetros todo esto mientras te familiarizas con librerías en R y Python que potenciarán tus análisis. Las técnicas no paramétricas como la Descomposición STL y la Suavización Exponencial ETS se convertirán en herramientas esenciales en tu caja de herramientas. Explorarás modelos más avanzados que abordan múltiples fuentes de estacionalidad como la Descomposición MSTL y conocerás técnicas recientes como Facebook Prophet

Mientras en el curso anterior se desglosa las series temporales en sus componentes y se realiza pronósticos usando modelos no paramétricos, en este curso te invitamos a conocer los potentes modelos paramétricos para forecasting y su utilidad. Comenzarás por entender los procesos estocásticos que subyacen en las series temporales. Luego conocerás técnicas paramétricas básicas como los modelos autoregresivos AR o de media móvil MA y cómo combinarlos y mejorarlos con los modelos ARMA, ARIMA, SARIMA. Además, en aplicaciones financieras principalmente, existe una complejidad por la volatilidad de sus valores, aquí resaltan los modelos ARCH y GARCH. Al final ampliarás tu caja de herramientas con los modelos BATS y TBATS, que permiten pronosticar de manera efectiva situaciones donde existen diversas fuentes de estacionalidad,

Después de explorar varios modelos que abordan el problema de la predicción como un problema univariado, es decir, trabajando sólametne con la serie de tiempo sin considerar información externa. Este curso te lleva a un nivel más alto justamente porque se empieza a incorporar otras variables, enriqueciendo así tus análisis y pronósticos. Iniciamos recordando la regresión lineal múltiple y la forma de adaptar tus datos “tabulares” para realizar pronósticos, base para poder entrenar los modelos bajo el enfoque: Time Series Regression. Se topan los Modelos Lineales con Errores Correlacionados, modelos ARIMAX y SARIMAX y terminamos en un enfoque no paramétrico usando los Modelos Aditivos Generalizados para Observaciones No Independientes (GAMM). Todo esto, ampliará tus capacidades para enfrentar desafíos complejos

Tras asentar los fundamentos estadísticos para el Time Series Regression, es hora de enriquecer tu caja de herramientas con algoritmos que se alimentan de la rama de la inteligencia artificial llamada Machine Learning. Manteniendo las ideas vistas en los módulos anteriores, ahora vas a aprender a usar modelos como k vecinos cercanos, Árboles de regresión, Bagging, Random Forest y Boosting te brindarán nuevas perspectivas en esta búsqueda de elevar la precisión de tus pronósticos. Finalmente descubrirás el potencial de las Redes Neuronales y como también pueden ser capaces de capturar patrones complejos en tus datos donde la dependencia temporal es esencia

Ahora usted ya cuenta con una gran caja de herramientas para realizar modelamiento de series temporales, sea este trabajando sólametne con la serie de tiempo o considerando información externa. Ahora, “uniremos fuerzas”, combinando lo mejor de diversos modelos para lograr resultados aún más impresionantes en el análisis de series temporales. En los últimas competiciones que involucran series de tiempo, los modelos híbridos suelen estar entre el top en cuánto a desempeño; aquí aprenderás a construirlos. Además, conoceremos modelos híbridos ya conocidos como Neural Prophet o Boosting de modelos arima que maximiza el rendimiento de ambos mundos. Finalmente, AutoML te espera para automatizar y agilizar tu proceso de modelado, liberando tu tiempo para decisiones más estratégicas siempre considerando la importancia de cada resultado.

Ahora vamos a desbloquear un nuevo nivel de análisis. En este curso el enfoque se amplía, ya no se trabaja con una serie temporal (con o sin información adicional), ahora pronosticarás múltiples series temporales simultáneamente. Esto es útil en sinnúmero de aplicaciones como el análisis en conjunto de las tasas de interés, precios y tasas de empleo; realizar pronóstico de demanda considerando las relaciones entre productos sustitutos, etc. Los modelos multivariados nos permiten desentrañar las interacciones y dependencias entre múltiples series, empezaremos con el famoso Vector Autoregresivo (VAR), luego profundizarás con VARMA y VARMAX ampliando tu capacidad para capturar relaciones complejas. Finalmente el modelo GARCH Multivariado te ayudará a manejar la volatilidad en múltiples series todo esto al final se reflejará en la obtención pronósticos poderosos.

Los últimos dos módulos de nuestro programa son un viaje hacia la vanguardia de los modelos desarrollados desde el campo de la inteligencia artificial. Aquí las redes neuronales profundas terminarán de llenar esta gran caja de herramientas que hemos construido. Se imparten enfoques como DeepAR que busca crear una red neuronal que use el pasado de nuestra serie así como información externa. Otros métodos como la unión de dos arquitecturas como las redes convolucionales y recurrentes. Los Transformers serán el destino final, usando el mismo marco que revolucionó el procesamiento del lenguaje natural (¿te suena GTP y o ChatGPT?), ahora aplicarás esta innovación al análisis de series temporales y la obtención de pronósticos

Cerramos este gran ciclo de aprendizaje con el curso “Detección de Anomalías y Clasificación de Series Temporales”. Aquí introduce nuevos objetivos, expandiendo tus habilidades para abordar desafíos más allá del pronóstico. El primer objetivo será Detección de Anomalías, identificando patrones inusuales y valiosos en tus datos temporales. Aprenderás a discernir cambios abruptos en la estacionaridad, una habilidad esencial en la ciberseguridad y la detección de fallos. Finalmente se aprenderá a agrupar Series Temporales, útil para objetivos como segmentar clientes en base a sus comportamientos temporales de compras; para agrupar equipos en base a las mediciones temporales de los sensores, etc.

Lo hemos logrado, hemos llenado nuestra caja de herramientas con los métodos más conocidos y modernos detrás del análisis de series temporales. En este módulo nos vamos a centrar en detectar las oportunidades para aplicar lo aprendido. Desglozaremos algunos casos que nos permitirán ver cómo todo este conocimiento adquirido puede ser usado para beneficio de la organización a la que pertenecemos