{"id":1745,"date":"2023-09-01T12:30:00","date_gmt":"2023-09-01T12:30:00","guid":{"rendered":"https:\/\/see-ec.org\/wordpress\/?p=1745"},"modified":"2025-09-11T15:17:05","modified_gmt":"2025-09-11T20:17:05","slug":"programa-experto-en-forecasting-aplicado","status":"publish","type":"post","link":"https:\/\/see-ec.org\/wordpress\/programa-experto-en-forecasting-aplicado\/","title":{"rendered":"Programa Experto en Forecasting Aplicado\u200b"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"1745\" class=\"elementor elementor-1745\" data-elementor-post-type=\"post\">\n\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-058551f elementor-section-boxed elementor-section-height-default elementor-section-height-default wpr-particle-no wpr-jarallax-no wpr-parallax-no wpr-sticky-section-no wpr-equal-height-no\" data-id=\"058551f\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-c0a4452\" data-id=\"c0a4452\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-81465a2 elementor-widget elementor-widget-heading\" data-id=\"81465a2\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h1 class=\"elementor-heading-title elementor-size-default\">Programa Experto en Forecasting Aplicado<\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-e45d661 elementor-section-boxed elementor-section-height-default elementor-section-height-default wpr-particle-no wpr-jarallax-no wpr-parallax-no wpr-sticky-section-no wpr-equal-height-no\" data-id=\"e45d661\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-50 elementor-top-column elementor-element elementor-element-3a8542a\" data-id=\"3a8542a\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-aab7751 elementor-widget elementor-widget-text-editor\" data-id=\"aab7751\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p>Es octubre, necesitamos comprar ya la mercader\u00eda qu\u00e9 vamos a vender en enero. Te encuentras ante un dilema: \u00bfc\u00f3mo asegurarte de que el stock disponible satisfaga la demanda en constante cambio? \u00bfla venta actual me indica alguna tendencia? \u00bfes enero un mes que generalmente tenga m\u00e1s venta que otros? \u00bfc\u00f3mo afectar\u00e1 a nuestra venta la cantidad de lluvia esperada en el invierno? En el din\u00e1mico panorama actual, la capacidad de prever tendencias y tomar decisiones informadas basadas en datos es esencial para el \u00e9xito en diversos campos. A trav\u00e9s de las t\u00e9cnicas de forecasting se puede analizar en el pasado, la relaci\u00f3n con factres externos y descubrir patrones ocultos que te permitan prever con precisi\u00f3n las tendencias; as\u00ed optimizar tus recursos y ofrecer exactamente lo que tus clientes desean.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-50 elementor-top-column elementor-element elementor-element-921d78d\" data-id=\"921d78d\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-f0304ef elementor-widget elementor-widget-text-editor\" data-id=\"f0304ef\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p>Nuestro programa experto en forecasting aplicado ofrece una oportunidad \u00fanica para adentrarse en el mundo de la predicci\u00f3n de series temporales, equipando a los participantes con herramientas avanzadas en R y Python que permitir\u00e1n desde el manejo de objetos de series temporales hasta la creaci\u00f3n de algoritmos de vanguardia como prophet, boosting de arima o deep learning aplicado a series temporales y m\u00e1s. Este programa proporciona una base s\u00f3lida para modelar y predecir con precisi\u00f3n, para clasificar series temporales y hasta para encontrar anomal\u00edas en nuestros datos. Convi\u00e9rtete en la clave para que tu organizaci\u00f3n anticipe cambios, ajuste estrategias y tome decisiones fundamentadas en datos.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-765e3f3 elementor-section-boxed elementor-section-height-default elementor-section-height-default wpr-particle-no wpr-jarallax-no wpr-parallax-no wpr-sticky-section-no wpr-equal-height-no\" data-id=\"765e3f3\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-75edd00\" data-id=\"75edd00\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-59155a9 elementor-widget-divider--view-line elementor-widget elementor-widget-divider\" data-id=\"59155a9\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"divider.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-divider\">\n\t\t\t<span class=\"elementor-divider-separator\">\n\t\t\t\t\t\t<\/span>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-6b5a822 elementor-section-boxed elementor-section-height-default elementor-section-height-default wpr-particle-no wpr-jarallax-no wpr-parallax-no wpr-sticky-section-no wpr-equal-height-no\" data-id=\"6b5a822\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-66 elementor-top-column elementor-element elementor-element-768c04c\" data-id=\"768c04c\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-94e48b1 elementor-widget elementor-widget-image\" data-id=\"94e48b1\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<img fetchpriority=\"high\" decoding=\"async\" data-attachment-id=\"1746\" data-permalink=\"https:\/\/see-ec.org\/wordpress\/programa-experto-en-forecasting-aplicado\/719-convertido\/\" data-orig-file=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?fit=1981%2C1743&amp;ssl=1\" data-orig-size=\"1981,1743\" data-comments-opened=\"1\" data-image-meta=\"{&quot;aperture&quot;:&quot;0&quot;,&quot;credit&quot;:&quot;&quot;,&quot;camera&quot;:&quot;&quot;,&quot;caption&quot;:&quot;&quot;,&quot;created_timestamp&quot;:&quot;0&quot;,&quot;copyright&quot;:&quot;&quot;,&quot;focal_length&quot;:&quot;0&quot;,&quot;iso&quot;:&quot;0&quot;,&quot;shutter_speed&quot;:&quot;0&quot;,&quot;title&quot;:&quot;&quot;,&quot;orientation&quot;:&quot;0&quot;}\" data-image-title=\"719 [Convertido]\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?fit=678%2C597&amp;ssl=1\" width=\"678\" height=\"597\" src=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?fit=678%2C597&amp;ssl=1\" class=\"attachment-large size-large wp-image-1746\" alt=\"\" srcset=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?w=1981&amp;ssl=1 1981w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?resize=300%2C264&amp;ssl=1 300w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?resize=1024%2C901&amp;ssl=1 1024w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?resize=768%2C676&amp;ssl=1 768w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?resize=1536%2C1351&amp;ssl=1 1536w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?w=1356&amp;ssl=1 1356w\" sizes=\"(max-width: 678px) 100vw, 678px\" data-attachment-id=\"1746\" data-permalink=\"https:\/\/see-ec.org\/wordpress\/programa-experto-en-forecasting-aplicado\/719-convertido\/\" data-orig-file=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?fit=1981%2C1743&amp;ssl=1\" data-orig-size=\"1981,1743\" data-comments-opened=\"1\" data-image-meta=\"{&quot;aperture&quot;:&quot;0&quot;,&quot;credit&quot;:&quot;&quot;,&quot;camera&quot;:&quot;&quot;,&quot;caption&quot;:&quot;&quot;,&quot;created_timestamp&quot;:&quot;0&quot;,&quot;copyright&quot;:&quot;&quot;,&quot;focal_length&quot;:&quot;0&quot;,&quot;iso&quot;:&quot;0&quot;,&quot;shutter_speed&quot;:&quot;0&quot;,&quot;title&quot;:&quot;&quot;,&quot;orientation&quot;:&quot;0&quot;}\" data-image-title=\"719 [Convertido]\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/719-Convertido.png?fit=678%2C597&amp;ssl=1\" \/>\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-17a1f13\" data-id=\"17a1f13\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-9982b77 elementor-widget elementor-widget-spacer\" data-id=\"9982b77\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-2d82566 elementor-widget elementor-widget-toggle\" data-id=\"2d82566\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"toggle.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-toggle\">\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-4771\" class=\"elementor-tab-title\" data-tab=\"1\" role=\"button\" aria-controls=\"elementor-tab-content-4771\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><svg class=\"e-font-icon-svg e-fas-caret-right\" viewBox=\"0 0 192 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M0 384.662V127.338c0-17.818 21.543-26.741 34.142-14.142l128.662 128.662c7.81 7.81 7.81 20.474 0 28.284L34.142 398.804C21.543 411.404 0 402.48 0 384.662z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><svg class=\"elementor-toggle-icon-opened e-font-icon-svg e-fas-caret-up\" viewBox=\"0 0 320 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M288.662 352H31.338c-17.818 0-26.741-21.543-14.142-34.142l128.662-128.662c7.81-7.81 20.474-7.81 28.284 0l128.662 128.662c12.6 12.599 3.676 34.142-14.142 34.142z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-toggle-title\" tabindex=\"0\">OBJETIVO<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-4771\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"1\" role=\"region\" aria-labelledby=\"elementor-tab-title-4771\"><ol><li><strong>Formar Forecasters \/ Planificadores de demanda<\/strong> <br \/>Formar expertos en el arte del forecasting, profesionales con habilidades para desentra\u00f1ar los misterios de los datos temporales y prever con precisi\u00f3n los patrones futuros. Capaces de combinar teor\u00eda y pr\u00e1ctica y aplicar t\u00e9cnicas univariadas y multivariadas para realizar pron\u00f3stiocs, clasificar series o detectar anomal\u00edas. Capaces de usar t\u00e9cnicas cl\u00e1sicas o de machine learning, usar estad\u00edstica e inteligencia artificial.<\/li><li><strong>Dominar R y Python para Pron\u00f3sticos<br \/><\/strong>Capacitar a los participantes en el uso de las herramientas de programaci\u00f3n m\u00e1s populares en el mundo de la ciencia de datos y la inteligencia artificial: R y Python. Esto para la manipulaci\u00f3n y visualizaci\u00f3n de datos temporales as\u00ed como la construcci\u00f3n, implementaci\u00f3n y validaci\u00f3n de modelos de forecasting y t\u00e9cnicas de clasificaci\u00f3n<\/li><\/ol><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-4772\" class=\"elementor-tab-title\" data-tab=\"2\" role=\"button\" aria-controls=\"elementor-tab-content-4772\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><svg class=\"e-font-icon-svg e-fas-caret-right\" viewBox=\"0 0 192 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M0 384.662V127.338c0-17.818 21.543-26.741 34.142-14.142l128.662 128.662c7.81 7.81 7.81 20.474 0 28.284L34.142 398.804C21.543 411.404 0 402.48 0 384.662z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><svg class=\"elementor-toggle-icon-opened e-font-icon-svg e-fas-caret-up\" viewBox=\"0 0 320 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M288.662 352H31.338c-17.818 0-26.741-21.543-14.142-34.142l128.662-128.662c7.81-7.81 20.474-7.81 28.284 0l128.662 128.662c12.6 12.599 3.676 34.142-14.142 34.142z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-toggle-title\" tabindex=\"0\">A QUI\u00c9N VA DIRIGIDO<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-4772\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"2\" role=\"region\" aria-labelledby=\"elementor-tab-title-4772\"><ul><li>Jefes t\u00e9cnicos de departamentos de Ciencia de datos, Anal\u00edtica, Estad\u00edstica, inteligencia de negocios, Big Data, Planificaci\u00f3n de Demanda, Riesgos o Finanzas.<\/li><li>Cient\u00edficos de datos, Analistas de datos, Analistas de datos financieros, de riesgos o abastecimiento, Especialistas de BI, Analistas de mercado entre otros.<\/li><li>Forecasters, Planificadores de demanda, Econometristas o en general profesionales que trabajen en el manejo de informaci\u00f3n dentro de la organizaci\u00f3n<\/li><\/ul><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-toggle-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-4773\" class=\"elementor-tab-title\" data-tab=\"3\" role=\"button\" aria-controls=\"elementor-tab-content-4773\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon elementor-toggle-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-closed\"><svg class=\"e-font-icon-svg e-fas-caret-right\" viewBox=\"0 0 192 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M0 384.662V127.338c0-17.818 21.543-26.741 34.142-14.142l128.662 128.662c7.81 7.81 7.81 20.474 0 28.284L34.142 398.804C21.543 411.404 0 402.48 0 384.662z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-toggle-icon-opened\"><svg class=\"elementor-toggle-icon-opened e-font-icon-svg e-fas-caret-up\" viewBox=\"0 0 320 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M288.662 352H31.338c-17.818 0-26.741-21.543-14.142-34.142l128.662-128.662c7.81-7.81 20.474-7.81 28.284 0l128.662 128.662c12.6 12.599 3.676 34.142-14.142 34.142z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-toggle-title\" tabindex=\"0\">DURACI\u00d3N<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t<div id=\"elementor-tab-content-4773\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"3\" role=\"region\" aria-labelledby=\"elementor-tab-title-4773\"><ul><li><span data-sheets-value=\"{&quot;1&quot;:2,&quot;2&quot;:&quot;Horas presenciales: 92\\nHoras de autoaprendizaje: 83\\nProyecto y tutor\u00edas: 35\\nTotal: 210 horas\\nCertificado de aprobaci\u00f3n&quot;}\" data-sheets-userformat=\"{&quot;2&quot;:15299,&quot;3&quot;:{&quot;1&quot;:0},&quot;4&quot;:{&quot;1&quot;:2,&quot;2&quot;:16773836},&quot;9&quot;:0,&quot;10&quot;:1,&quot;11&quot;:4,&quot;12&quot;:0,&quot;14&quot;:{&quot;1&quot;:3,&quot;3&quot;:1},&quot;15&quot;:&quot;Roboto&quot;,&quot;16&quot;:11}\">Horas Sincr\u00f3nicas en vivo: 200<\/span><\/li><li><span data-sheets-value=\"{&quot;1&quot;:2,&quot;2&quot;:&quot;Horas presenciales: 92\\nHoras de autoaprendizaje: 83\\nProyecto y tutor\u00edas: 35\\nTotal: 210 horas\\nCertificado de aprobaci\u00f3n&quot;}\" data-sheets-userformat=\"{&quot;2&quot;:15299,&quot;3&quot;:{&quot;1&quot;:0},&quot;4&quot;:{&quot;1&quot;:2,&quot;2&quot;:16773836},&quot;9&quot;:0,&quot;10&quot;:1,&quot;11&quot;:4,&quot;12&quot;:0,&quot;14&quot;:{&quot;1&quot;:3,&quot;3&quot;:1},&quot;15&quot;:&quot;Roboto&quot;,&quot;16&quot;:11}\">Horas de autoaprendizaje: 100<\/span><\/li><li><span data-sheets-value=\"{&quot;1&quot;:2,&quot;2&quot;:&quot;Horas presenciales: 92\\nHoras de autoaprendizaje: 83\\nProyecto y tutor\u00edas: 35\\nTotal: 210 horas\\nCertificado de aprobaci\u00f3n&quot;}\" data-sheets-userformat=\"{&quot;2&quot;:15299,&quot;3&quot;:{&quot;1&quot;:0},&quot;4&quot;:{&quot;1&quot;:2,&quot;2&quot;:16773836},&quot;9&quot;:0,&quot;10&quot;:1,&quot;11&quot;:4,&quot;12&quot;:0,&quot;14&quot;:{&quot;1&quot;:3,&quot;3&quot;:1},&quot;15&quot;:&quot;Roboto&quot;,&quot;16&quot;:11}\">Total: 300 horas<\/span><\/li><li><span data-sheets-value=\"{&quot;1&quot;:2,&quot;2&quot;:&quot;Horas presenciales: 92\\nHoras de autoaprendizaje: 83\\nProyecto y tutor\u00edas: 35\\nTotal: 210 horas\\nCertificado de aprobaci\u00f3n&quot;}\" data-sheets-userformat=\"{&quot;2&quot;:15299,&quot;3&quot;:{&quot;1&quot;:0},&quot;4&quot;:{&quot;1&quot;:2,&quot;2&quot;:16773836},&quot;9&quot;:0,&quot;10&quot;:1,&quot;11&quot;:4,&quot;12&quot;:0,&quot;14&quot;:{&quot;1&quot;:3,&quot;3&quot;:1},&quot;15&quot;:&quot;Roboto&quot;,&quot;16&quot;:11}\">Certificado de aprobaci\u00f3n<\/span><\/li><\/ul><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-4ffb8ed elementor-section-boxed elementor-section-height-default elementor-section-height-default wpr-particle-no wpr-jarallax-no wpr-parallax-no wpr-sticky-section-no wpr-equal-height-no\" data-id=\"4ffb8ed\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-5192c0b\" data-id=\"5192c0b\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-85c257d elementor-widget-divider--view-line elementor-widget elementor-widget-divider\" data-id=\"85c257d\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"divider.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-divider\">\n\t\t\t<span class=\"elementor-divider-separator\">\n\t\t\t\t\t\t<\/span>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-116cbcb elementor-section-boxed elementor-section-height-default elementor-section-height-default wpr-particle-no wpr-jarallax-no wpr-parallax-no wpr-sticky-section-no wpr-equal-height-no\" data-id=\"116cbcb\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-fb526c5\" data-id=\"fb526c5\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-827645f elementor-widget elementor-widget-heading\" data-id=\"827645f\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h1 class=\"elementor-heading-title elementor-size-default\">Malla Curricular<\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-3d2ddb9 elementor-section-boxed elementor-section-height-default elementor-section-height-default wpr-particle-no wpr-jarallax-no wpr-parallax-no wpr-sticky-section-no wpr-equal-height-no\" data-id=\"3d2ddb9\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-0a38d37\" data-id=\"0a38d37\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-3f19210 elementor-widget elementor-widget-accordion\" data-id=\"3f19210\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"accordion.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-accordion\">\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-6611\" class=\"elementor-tab-title\" data-tab=\"1\" role=\"button\" aria-controls=\"elementor-tab-content-6611\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo I  -  Bases para el An\u00e1lisis de Series temporales en R y Python<\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-6611\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"1\" role=\"region\" aria-labelledby=\"elementor-tab-title-6611\"><p>Este curso es la entrada al mundo del an\u00e1lisis de series temporales utilizando las herramientas m\u00e1s poderosas de programaci\u00f3n disponibles para ello: R y Python. Aprender\u00e1s las bases para crear, modificar y manipular series temporales y jugar con datos de tipo fecha. Adem\u00e1s se brindando los conceptos iniciales para el an\u00e1lisis de series temporales como autocorrelaci\u00f3n, estacionaridad, estacionalidad, tendencia, ciclicidad. Conceptos con los que aprender\u00e1s a desentra\u00f1ar patrones ocultos y tendencias en tus datos, y as\u00ed explorar la esencia misma de las series temporales. Recuerda, para este curso ya debes saber sobre tidyverse en R y pandas en Python<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-6612\" class=\"elementor-tab-title\" data-tab=\"2\" role=\"button\" aria-controls=\"elementor-tab-content-6612\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo II  -  Modelos no param\u00e9tricos para Forecasting univariado<\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-6612\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"2\" role=\"region\" aria-labelledby=\"elementor-tab-title-6612\"><p>Con el dominio de las bases para el an\u00e1lisis de series temporales, este curso es tu siguiente paso hacia la obtenci\u00f3n pron\u00f3sticos precisos. Descubrir\u00e1s el proceso de modelamiento por completo, incluyendo la forma de validar tu modelo, las m\u00e9tricas para evaluar su calidad y c\u00f3mo entrenarlo y afinar sus hiperpar\u00e1metros todo esto mientras te familiarizas con librer\u00edas en R y Python que potenciar\u00e1n tus an\u00e1lisis. Las t\u00e9cnicas no param\u00e9tricas como la Descomposici\u00f3n STL y la Suavizaci\u00f3n Exponencial ETS se convertir\u00e1n en herramientas esenciales en tu caja de herramientas. Explorar\u00e1s modelos m\u00e1s avanzados que abordan m\u00faltiples fuentes de estacionalidad como la Descomposici\u00f3n MSTL y conocer\u00e1s t\u00e9cnicas recientes como Facebook Prophet<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-6613\" class=\"elementor-tab-title\" data-tab=\"3\" role=\"button\" aria-controls=\"elementor-tab-content-6613\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo III  -  Modelos  param\u00e9tricos para Forecasting univariado<\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-6613\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"3\" role=\"region\" aria-labelledby=\"elementor-tab-title-6613\"><p>Mientras en el curso anterior se desglosa las series temporales en sus componentes y se realiza pron\u00f3sticos usando modelos no param\u00e9tricos, en este curso te invitamos a conocer los potentes modelos param\u00e9tricos para forecasting y su utilidad. Comenzar\u00e1s por entender los procesos estoc\u00e1sticos que subyacen en las series temporales. Luego conocer\u00e1s t\u00e9cnicas param\u00e9tricas b\u00e1sicas como los modelos autoregresivos AR o de media m\u00f3vil MA y c\u00f3mo combinarlos y mejorarlos con los modelos ARMA, ARIMA, SARIMA. Adem\u00e1s, en aplicaciones financieras principalmente, existe una complejidad por la volatilidad de sus valores, aqu\u00ed resaltan los modelos ARCH y GARCH. Al final ampliar\u00e1s tu caja de herramientas con los modelos BATS y TBATS, que permiten pronosticar de manera efectiva situaciones donde existen diversas fuentes de estacionalidad,<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-6614\" class=\"elementor-tab-title\" data-tab=\"4\" role=\"button\" aria-controls=\"elementor-tab-content-6614\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo IV  -  Statistical Learning for Time series Regresion <\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-6614\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"4\" role=\"region\" aria-labelledby=\"elementor-tab-title-6614\"><p>Despu\u00e9s de explorar varios modelos que abordan el problema de la predicci\u00f3n como un problema univariado, es decir, trabajando s\u00f3lametne con la serie de tiempo sin considerar informaci\u00f3n externa. Este curso te lleva a un nivel m\u00e1s alto justamente porque se empieza a incorporar otras variables, enriqueciendo as\u00ed tus an\u00e1lisis y pron\u00f3sticos. Iniciamos recordando la regresi\u00f3n lineal m\u00faltiple y la forma de adaptar tus datos &#8220;tabulares&#8221; para realizar pron\u00f3sticos, 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 param\u00e9trico usando los Modelos Aditivos Generalizados para Observaciones No Independientes (GAMM). Todo esto, ampliar\u00e1 tus capacidades para enfrentar desaf\u00edos complejos<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-6615\" class=\"elementor-tab-title\" data-tab=\"5\" role=\"button\" aria-controls=\"elementor-tab-content-6615\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo V  -  Machine Learning for Forecasting  & Time series Regresion <\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-6615\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"5\" role=\"region\" aria-labelledby=\"elementor-tab-title-6615\"><p>Tras asentar los fundamentos estad\u00edsticos 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 m\u00f3dulos anteriores, ahora vas a aprender a usar modelos como k vecinos cercanos, \u00c1rboles de regresi\u00f3n, Bagging, Random Forest y Boosting te brindar\u00e1n nuevas perspectivas en esta b\u00fasqueda de elevar la precisi\u00f3n de tus pron\u00f3sticos. Finalmente descubrir\u00e1s el potencial de las Redes Neuronales y como tambi\u00e9n pueden ser capaces de capturar patrones complejos en tus datos donde la dependencia temporal es esencia<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-6616\" class=\"elementor-tab-title\" data-tab=\"6\" role=\"button\" aria-controls=\"elementor-tab-content-6616\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo VI  -  Modelos H\u00edbridos para Forecast y Time series Regresion <\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-6616\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"6\" role=\"region\" aria-labelledby=\"elementor-tab-title-6616\"><p>Ahora usted ya cuenta con una gran caja de herramientas para realizar modelamiento de series temporales, sea este trabajando s\u00f3lametne con la serie de tiempo o considerando informaci\u00f3n externa. Ahora, &#8220;uniremos fuerzas&#8221;, combinando lo mejor de diversos modelos para lograr resultados a\u00fan m\u00e1s impresionantes en el an\u00e1lisis de series temporales. En los \u00faltimas competiciones que involucran series de tiempo, los modelos h\u00edbridos suelen estar entre el top en cu\u00e1nto a desempe\u00f1o; aqu\u00ed aprender\u00e1s a construirlos. Adem\u00e1s, conoceremos modelos h\u00edbridos 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 m\u00e1s estrat\u00e9gicas siempre considerando la importancia de cada resultado.<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-6617\" class=\"elementor-tab-title\" data-tab=\"7\" role=\"button\" aria-controls=\"elementor-tab-content-6617\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo VII  -  Modelos para series temporales Multivariadas <\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-6617\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"7\" role=\"region\" aria-labelledby=\"elementor-tab-title-6617\"><p>Ahora vamos a desbloquear un nuevo nivel de an\u00e1lisis. En este curso el enfoque se ampl\u00eda, ya no se trabaja con una serie temporal (con o sin informaci\u00f3n adicional), ahora pronosticar\u00e1s m\u00faltiples series temporales simult\u00e1neamente. Esto es \u00fatil en sinn\u00famero de aplicaciones como el an\u00e1lisis en conjunto de las tasas de inter\u00e9s, precios y tasas de empleo; realizar pron\u00f3stico de demanda considerando las relaciones entre productos sustitutos, etc. Los modelos multivariados nos permiten desentra\u00f1ar las interacciones y dependencias entre m\u00faltiples series, empezaremos con el famoso Vector Autoregresivo (VAR), luego profundizar\u00e1s con VARMA y VARMAX ampliando tu capacidad para capturar relaciones complejas. Finalmente el modelo GARCH Multivariado te ayudar\u00e1 a manejar la volatilidad en m\u00faltiples series todo esto al final se reflejar\u00e1 en la obtenci\u00f3n pron\u00f3sticos poderosos.<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-6618\" class=\"elementor-tab-title\" data-tab=\"8\" role=\"button\" aria-controls=\"elementor-tab-content-6618\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo VIII -  Deep Learning for forecasting & time series regresion<\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-6618\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"8\" role=\"region\" aria-labelledby=\"elementor-tab-title-6618\"><p>Los \u00faltimos dos m\u00f3dulos de nuestro programa son un viaje hacia la vanguardia de los modelos desarrollados desde el campo de la inteligencia artificial. Aqu\u00ed las redes neuronales profundas terminar\u00e1n 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 as\u00ed como informaci\u00f3n externa. Otros m\u00e9todos como la uni\u00f3n de dos arquitecturas como las redes convolucionales y recurrentes. Los Transformers ser\u00e1n el destino final, usando el mismo marco que revolucion\u00f3 el procesamiento del lenguaje natural (\u00bfte suena GTP y o ChatGPT?), ahora aplicar\u00e1s esta innovaci\u00f3n al an\u00e1lisis de series temporales y la obtenci\u00f3n de pron\u00f3sticos<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-6619\" class=\"elementor-tab-title\" data-tab=\"9\" role=\"button\" aria-controls=\"elementor-tab-content-6619\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo IX  -  Detecci\u00f3n de anomal\u00edas y Clasificaci\u00f3n de series temporales <\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-6619\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"9\" role=\"region\" aria-labelledby=\"elementor-tab-title-6619\"><p>Cerramos este gran ciclo de aprendizaje con el curso &#8220;Detecci\u00f3n de Anomal\u00edas y Clasificaci\u00f3n de Series Temporales&#8221;. Aqu\u00ed introduce nuevos objetivos, expandiendo tus habilidades para abordar desaf\u00edos m\u00e1s all\u00e1 del pron\u00f3stico. El primer objetivo ser\u00e1 Detecci\u00f3n de Anomal\u00edas, identificando patrones inusuales y valiosos en tus datos temporales. Aprender\u00e1s a discernir cambios abruptos en la estacionaridad, una habilidad esencial en la ciberseguridad y la detecci\u00f3n de fallos. Finalmente se aprender\u00e1 a agrupar Series Temporales, \u00fatil 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.<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-66110\" class=\"elementor-tab-title\" data-tab=\"10\" role=\"button\" aria-controls=\"elementor-tab-content-66110\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-book\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M448 360V24c0-13.3-10.7-24-24-24H96C43 0 0 43 0 96v320c0 53 43 96 96 96h328c13.3 0 24-10.7 24-24v-16c0-7.5-3.5-14.3-8.9-18.7-4.2-15.4-4.2-59.3 0-74.7 5.4-4.3 8.9-11.1 8.9-18.6zM128 134c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm0 64c0-3.3 2.7-6 6-6h212c3.3 0 6 2.7 6 6v20c0 3.3-2.7 6-6 6H134c-3.3 0-6-2.7-6-6v-20zm253.4 250H96c-17.7 0-32-14.3-32-32 0-17.6 14.4-32 32-32h285.4c-1.9 17.1-1.9 46.9 0 64z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">M\u00f3dulo X  -  Casos<\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-66110\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"10\" role=\"region\" aria-labelledby=\"elementor-tab-title-66110\"><p>Lo hemos logrado, hemos llenado nuestra caja de herramientas con los m\u00e9todos m\u00e1s conocidos y modernos detr\u00e1s del an\u00e1lisis de series temporales. En este m\u00f3dulo nos vamos a centrar en detectar las oportunidades para aplicar lo aprendido. Desglozaremos algunos casos que nos permitir\u00e1n ver c\u00f3mo todo este conocimiento adquirido puede ser usado para beneficio de la organizaci\u00f3n a la que pertenecemos<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-6e39c35 elementor-section-boxed elementor-section-height-default elementor-section-height-default wpr-particle-no wpr-jarallax-no wpr-parallax-no wpr-sticky-section-no wpr-equal-height-no\" data-id=\"6e39c35\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-83ff949\" data-id=\"83ff949\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-2c17118 elementor-widget-divider--view-line elementor-widget elementor-widget-divider\" data-id=\"2c17118\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"divider.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-divider\">\n\t\t\t<span class=\"elementor-divider-separator\">\n\t\t\t\t\t\t<\/span>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-025785a elementor-section-boxed elementor-section-height-default elementor-section-height-default wpr-particle-no wpr-jarallax-no wpr-parallax-no wpr-sticky-section-no wpr-equal-height-no\" data-id=\"025785a\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-25 elementor-top-column elementor-element elementor-element-b12b335\" data-id=\"b12b335\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap\">\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-50 elementor-top-column elementor-element elementor-element-ab2ff8b\" data-id=\"ab2ff8b\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-53d012b elementor-widget elementor-widget-heading\" data-id=\"53d012b\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h3 class=\"elementor-heading-title elementor-size-default\">M\u00e1s Informaci\u00f3n<\/h3>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-08ecd02 elementor-widget__width-inherit elementor-widget elementor-widget-accordion\" data-id=\"08ecd02\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"accordion.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-accordion\">\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-9351\" class=\"elementor-tab-title\" data-tab=\"1\" role=\"button\" aria-controls=\"elementor-tab-content-9351\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-info-circle\" viewBox=\"0 0 512 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M256 8C119.043 8 8 119.083 8 256c0 136.997 111.043 248 248 248s248-111.003 248-248C504 119.083 392.957 8 256 8zm0 110c23.196 0 42 18.804 42 42s-18.804 42-42 42-42-18.804-42-42 18.804-42 42-42zm56 254c0 6.627-5.373 12-12 12h-88c-6.627 0-12-5.373-12-12v-24c0-6.627 5.373-12 12-12h12v-64h-12c-6.627 0-12-5.373-12-12v-24c0-6.627 5.373-12 12-12h64c6.627 0 12 5.373 12 12v100h12c6.627 0 12 5.373 12 12v24z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-info\" viewBox=\"0 0 192 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M20 424.229h20V279.771H20c-11.046 0-20-8.954-20-20V212c0-11.046 8.954-20 20-20h112c11.046 0 20 8.954 20 20v212.229h20c11.046 0 20 8.954 20 20V492c0 11.046-8.954 20-20 20H20c-11.046 0-20-8.954-20-20v-47.771c0-11.046 8.954-20 20-20zM96 0C56.235 0 24 32.235 24 72s32.235 72 72 72 72-32.235 72-72S135.764 0 96 0z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">Descuentos<\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-9351\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"1\" role=\"region\" aria-labelledby=\"elementor-tab-title-9351\"><ul><li><strong>Publico General:<br \/><\/strong>5% pronto pago (hasta 15 septiembre)<br \/>5% pago en efectivo<br \/>10% grupos de 3 o m\u00e1s<\/li><li><strong>Clientes y miembros SEE:<\/strong><br \/>5% haber tomado un curso en SEE en este a\u00f1o<br \/>10% haber tomado 2 o m\u00e1s curso en SEE en este a\u00f1o<br \/>25% por haber tomado el programa de Ciencia de Datos<\/li><\/ul><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-9352\" class=\"elementor-tab-title\" data-tab=\"2\" role=\"button\" aria-controls=\"elementor-tab-content-9352\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-info-circle\" viewBox=\"0 0 512 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M256 8C119.043 8 8 119.083 8 256c0 136.997 111.043 248 248 248s248-111.003 248-248C504 119.083 392.957 8 256 8zm0 110c23.196 0 42 18.804 42 42s-18.804 42-42 42-42-18.804-42-42 18.804-42 42-42zm56 254c0 6.627-5.373 12-12 12h-88c-6.627 0-12-5.373-12-12v-24c0-6.627 5.373-12 12-12h12v-64h-12c-6.627 0-12-5.373-12-12v-24c0-6.627 5.373-12 12-12h64c6.627 0 12 5.373 12 12v100h12c6.627 0 12 5.373 12 12v24z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-info\" viewBox=\"0 0 192 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M20 424.229h20V279.771H20c-11.046 0-20-8.954-20-20V212c0-11.046 8.954-20 20-20h112c11.046 0 20 8.954 20 20v212.229h20c11.046 0 20 8.954 20 20V492c0 11.046-8.954 20-20 20H20c-11.046 0-20-8.954-20-20v-47.771c0-11.046 8.954-20 20-20zM96 0C56.235 0 24 32.235 24 72s32.235 72 72 72 72-32.235 72-72S135.764 0 96 0z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">Valor y Formas de Pago<\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-9352\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"2\" role=\"region\" aria-labelledby=\"elementor-tab-title-9352\"><p>Precio normal:<strong> <span style=\"color: red; text-decoration: line-through;\"><span style=\"color: black;\"> $1300<\/span><\/span><\/strong><\/p><p><strong>880 USD <\/strong>(Valor Especial &#8211; aplican descuentos)<\/p><p><span data-sheets-value=\"{&quot;1&quot;:2,&quot;2&quot;:&quot;*Tarjeta de cr\u00e9dito: Online\\n \\n*Paypal:\\nhttps:\/\/www.paypal.me\/seecapacitacion\\n\\n* Efectivo\\nBanco Pac\u00edfico\\nN\u00famero de cuenta: 7964730\\nTipo de cuenta: Corriente\\nRUC: 1791709381001\\nNombre de la organizaci\u00f3n: Sociedad Ecuatoriana de Estad\u00edstica&quot;}\" data-sheets-userformat=\"{&quot;2&quot;:15359,&quot;3&quot;:{&quot;1&quot;:0},&quot;4&quot;:{&quot;1&quot;:2,&quot;2&quot;:15921906},&quot;5&quot;:{&quot;1&quot;:[{&quot;1&quot;:2,&quot;2&quot;:0,&quot;5&quot;:{&quot;1&quot;:0}},{&quot;1&quot;:0,&quot;2&quot;:0,&quot;3&quot;:3},{&quot;1&quot;:1,&quot;2&quot;:0,&quot;4&quot;:1}]},&quot;6&quot;:{&quot;1&quot;:[{&quot;1&quot;:2,&quot;2&quot;:0,&quot;5&quot;:{&quot;1&quot;:0}},{&quot;1&quot;:0,&quot;2&quot;:0,&quot;3&quot;:3},{&quot;1&quot;:1,&quot;2&quot;:0,&quot;4&quot;:1}]},&quot;7&quot;:{&quot;1&quot;:[{&quot;1&quot;:2,&quot;2&quot;:0,&quot;5&quot;:{&quot;1&quot;:0}},{&quot;1&quot;:0,&quot;2&quot;:0,&quot;3&quot;:3},{&quot;1&quot;:1,&quot;2&quot;:0,&quot;4&quot;:1}]},&quot;8&quot;:{&quot;1&quot;:[{&quot;1&quot;:2,&quot;2&quot;:0,&quot;5&quot;:{&quot;1&quot;:0}},{&quot;1&quot;:0,&quot;2&quot;:0,&quot;3&quot;:3},{&quot;1&quot;:1,&quot;2&quot;:0,&quot;4&quot;:1}]},&quot;9&quot;:0,&quot;10&quot;:1,&quot;11&quot;:4,&quot;12&quot;:0,&quot;14&quot;:{&quot;1&quot;:2,&quot;2&quot;:0},&quot;15&quot;:&quot;Roboto&quot;,&quot;16&quot;:11}\"><img decoding=\"async\" data-attachment-id=\"233\" data-permalink=\"https:\/\/see-ec.org\/wordpress\/metodo_pago\/\" data-orig-file=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago-scaled.png?fit=4167%2C2778&amp;ssl=1\" data-orig-size=\"4167,2778\" data-comments-opened=\"1\" data-image-meta=\"{&quot;aperture&quot;:&quot;0&quot;,&quot;credit&quot;:&quot;&quot;,&quot;camera&quot;:&quot;&quot;,&quot;caption&quot;:&quot;&quot;,&quot;created_timestamp&quot;:&quot;0&quot;,&quot;copyright&quot;:&quot;&quot;,&quot;focal_length&quot;:&quot;0&quot;,&quot;iso&quot;:&quot;0&quot;,&quot;shutter_speed&quot;:&quot;0&quot;,&quot;title&quot;:&quot;&quot;,&quot;orientation&quot;:&quot;0&quot;}\" data-image-title=\"Metodo_Pago\" data-image-description=\"\" data-image-caption=\"\" data-large-file=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago-scaled.png?fit=678%2C452&amp;ssl=1\" data-recalc-dims=\"1\" class=\"aligncenter wp-image-233 size-large\" src=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago.png?resize=678%2C452&#038;ssl=1\" alt=\"\" width=\"678\" height=\"452\" srcset=\"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago-scaled.png?w=4167&amp;ssl=1 4167w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago-scaled.png?resize=300%2C200&amp;ssl=1 300w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago-scaled.png?resize=1024%2C683&amp;ssl=1 1024w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago-scaled.png?resize=768%2C512&amp;ssl=1 768w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago-scaled.png?resize=1536%2C1024&amp;ssl=1 1536w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago-scaled.png?resize=2048%2C1365&amp;ssl=1 2048w, https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2022\/02\/Metodo_Pago.png?w=1356&amp;ssl=1 1356w\" sizes=\"(max-width: 678px) 100vw, 678px\" \/><\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t<div class=\"elementor-accordion-item\">\n\t\t\t\t\t<div id=\"elementor-tab-title-9353\" class=\"elementor-tab-title\" data-tab=\"3\" role=\"button\" aria-controls=\"elementor-tab-content-9353\" aria-expanded=\"false\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon elementor-accordion-icon-left\" aria-hidden=\"true\">\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-closed\"><svg class=\"e-font-icon-svg e-fas-info-circle\" viewBox=\"0 0 512 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M256 8C119.043 8 8 119.083 8 256c0 136.997 111.043 248 248 248s248-111.003 248-248C504 119.083 392.957 8 256 8zm0 110c23.196 0 42 18.804 42 42s-18.804 42-42 42-42-18.804-42-42 18.804-42 42-42zm56 254c0 6.627-5.373 12-12 12h-88c-6.627 0-12-5.373-12-12v-24c0-6.627 5.373-12 12-12h12v-64h-12c-6.627 0-12-5.373-12-12v-24c0-6.627 5.373-12 12-12h64c6.627 0 12 5.373 12 12v100h12c6.627 0 12 5.373 12 12v24z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t<span class=\"elementor-accordion-icon-opened\"><svg class=\"e-font-icon-svg e-fas-info\" viewBox=\"0 0 192 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M20 424.229h20V279.771H20c-11.046 0-20-8.954-20-20V212c0-11.046 8.954-20 20-20h112c11.046 0 20 8.954 20 20v212.229h20c11.046 0 20 8.954 20 20V492c0 11.046-8.954 20-20 20H20c-11.046 0-20-8.954-20-20v-47.771c0-11.046 8.954-20 20-20zM96 0C56.235 0 24 32.235 24 72s32.235 72 72 72 72-32.235 72-72S135.764 0 96 0z\"><\/path><\/svg><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t<a class=\"elementor-accordion-title\" tabindex=\"0\">Contactos<\/a>\n\t\t\t\t\t<\/div>\n\t\t\t\t\t<div id=\"elementor-tab-content-9353\" class=\"elementor-tab-content elementor-clearfix\" data-tab=\"3\" role=\"region\" aria-labelledby=\"elementor-tab-title-9353\"><ul><li><span data-sheets-value=\"{&quot;1&quot;:2,&quot;2&quot;:&quot;capacitacion@see-ec.org - Whasapp: +593 994323324&quot;}\" data-sheets-userformat=\"{&quot;2&quot;:15297,&quot;3&quot;:{&quot;1&quot;:0},&quot;9&quot;:0,&quot;10&quot;:1,&quot;11&quot;:4,&quot;12&quot;:0,&quot;14&quot;:{&quot;1&quot;:2,&quot;2&quot;:0},&quot;15&quot;:&quot;Roboto&quot;,&quot;16&quot;:11}\">capacitacion@see-ec.org<\/span><\/li><li><span data-sheets-value=\"{&quot;1&quot;:2,&quot;2&quot;:&quot;capacitacion@see-ec.org - Whasapp: +593 994323324&quot;}\" data-sheets-userformat=\"{&quot;2&quot;:15297,&quot;3&quot;:{&quot;1&quot;:0},&quot;9&quot;:0,&quot;10&quot;:1,&quot;11&quot;:4,&quot;12&quot;:0,&quot;14&quot;:{&quot;1&quot;:2,&quot;2&quot;:0},&quot;15&quot;:&quot;Roboto&quot;,&quot;16&quot;:11}\">Whasapp: +593 98 334 9634<\/span><\/li><\/ul><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-25 elementor-top-column elementor-element elementor-element-7d773f3\" data-id=\"7d773f3\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-37b2b05 elementor-widget elementor-widget-spacer\" data-id=\"37b2b05\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"spacer.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<div class=\"elementor-spacer\">\n\t\t\t<div class=\"elementor-spacer-inner\"><\/div>\n\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-d4be824 elementor-button-warning elementor-align-center elementor-widget elementor-widget-button\" data-id=\"d4be824\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md elementor-animation-grow\" href=\"https:\/\/forms.gle\/bSRf9HuvEjTjuqLv9\" target=\"_blank\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-icon\">\n\t\t\t\t<svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fas-book-open\" viewBox=\"0 0 576 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M542.22 32.05c-54.8 3.11-163.72 14.43-230.96 55.59-4.64 2.84-7.27 7.89-7.27 13.17v363.87c0 11.55 12.63 18.85 23.28 13.49 69.18-34.82 169.23-44.32 218.7-46.92 16.89-.89 30.02-14.43 30.02-30.66V62.75c.01-17.71-15.35-31.74-33.77-30.7zM264.73 87.64C197.5 46.48 88.58 35.17 33.78 32.05 15.36 31.01 0 45.04 0 62.75V400.6c0 16.24 13.13 29.78 30.02 30.66 49.49 2.6 149.59 12.11 218.77 46.95 10.62 5.35 23.21-1.94 23.21-13.46V100.63c0-5.29-2.62-10.14-7.27-12.99z\"><\/path><\/svg>\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">Registro<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<div class=\"elementor-element elementor-element-33fc86d elementor-button-warning elementor-align-center elementor-widget elementor-widget-button\" data-id=\"33fc86d\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-md elementor-animation-grow\" href=\"https:\/\/wa.me\/593983349634\" target=\"_blank\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t<span class=\"elementor-button-icon\">\n\t\t\t\t<svg aria-hidden=\"true\" class=\"e-font-icon-svg e-fab-whatsapp\" viewBox=\"0 0 448 512\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\"><path d=\"M380.9 97.1C339 55.1 283.2 32 223.9 32c-122.4 0-222 99.6-222 222 0 39.1 10.2 77.3 29.6 111L0 480l117.7-30.9c32.4 17.7 68.9 27 106.1 27h.1c122.3 0 224.1-99.6 224.1-222 0-59.3-25.2-115-67.1-157zm-157 341.6c-33.2 0-65.7-8.9-94-25.7l-6.7-4-69.8 18.3L72 359.2l-4.4-7c-18.5-29.4-28.2-63.3-28.2-98.2 0-101.7 82.8-184.5 184.6-184.5 49.3 0 95.6 19.2 130.4 54.1 34.8 34.9 56.2 81.2 56.1 130.5 0 101.8-84.9 184.6-186.6 184.6zm101.2-138.2c-5.5-2.8-32.8-16.2-37.9-18-5.1-1.9-8.8-2.8-12.5 2.8-3.7 5.6-14.3 18-17.6 21.8-3.2 3.7-6.5 4.2-12 1.4-32.6-16.3-54-29.1-75.5-66-5.7-9.8 5.7-9.1 16.3-30.3 1.8-3.7.9-6.9-.5-9.7-1.4-2.8-12.5-30.1-17.1-41.2-4.5-10.8-9.1-9.3-12.5-9.5-3.2-.2-6.9-.2-10.6-.2-3.7 0-9.7 1.4-14.8 6.9-5.1 5.6-19.4 19-19.4 46.3 0 27.3 19.9 53.7 22.6 57.4 2.8 3.7 39.1 59.7 94.8 83.8 35.2 15.2 49 16.5 66.6 13.9 10.7-1.6 32.8-13.4 37.4-26.4 4.6-13 4.6-24.1 3.2-26.4-1.3-2.5-5-3.9-10.5-6.6z\"><\/path><\/svg>\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">WA SEE<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Programa Experto en Forecasting Aplicado Es octubre, necesitamos comprar ya la mercader\u00eda qu\u00e9 vamos a vender en enero. Te encuentras ante un dilema: \u00bfc\u00f3mo asegurarte de que el stock disponible satisfaga la demanda en constante cambio? \u00bfla venta actual me indica alguna tendencia? \u00bfes enero un mes que generalmente tenga m\u00e1s venta que otros? \u00bfc\u00f3mo afectar\u00e1 a nuestra venta la cantidad de lluvia esperada en el invierno? En el din\u00e1mico panorama actual, la capacidad de prever tendencias y tomar decisiones informadas basadas en datos es esencial para el \u00e9xito en diversos campos. A trav\u00e9s de las t\u00e9cnicas de forecasting se puede analizar en el pasado, la relaci\u00f3n con factres externos y descubrir patrones ocultos que te permitan prever con precisi\u00f3n las tendencias; as\u00ed optimizar tus recursos y ofrecer exactamente lo que tus clientes desean. Nuestro programa experto en forecasting aplicado ofrece una oportunidad \u00fanica para adentrarse en el mundo de la predicci\u00f3n de series temporales, equipando a los participantes con herramientas avanzadas en R y Python que permitir\u00e1n desde el manejo de objetos de series temporales hasta la creaci\u00f3n de algoritmos de vanguardia como prophet, boosting de arima o deep learning aplicado a series temporales y m\u00e1s. Este programa proporciona una base s\u00f3lida para modelar y predecir con precisi\u00f3n, para clasificar series temporales y hasta para encontrar anomal\u00edas en nuestros datos. Convi\u00e9rtete en la clave para que tu organizaci\u00f3n anticipe cambios, ajuste estrategias y tome decisiones fundamentadas en datos. OBJETIVO Formar Forecasters \/ Planificadores de demanda Formar expertos en el arte del forecasting, profesionales con habilidades para desentra\u00f1ar los misterios de los datos temporales y prever con precisi\u00f3n los patrones futuros. Capaces de combinar teor\u00eda y pr\u00e1ctica y aplicar t\u00e9cnicas univariadas y multivariadas para realizar pron\u00f3stiocs, clasificar series o detectar anomal\u00edas. Capaces de usar t\u00e9cnicas cl\u00e1sicas o de machine learning, usar estad\u00edstica e inteligencia artificial. Dominar R y Python para Pron\u00f3sticosCapacitar a los participantes en el uso de las herramientas de programaci\u00f3n m\u00e1s populares en el mundo de la ciencia de datos y la inteligencia artificial: R y Python. Esto para la manipulaci\u00f3n y visualizaci\u00f3n de datos temporales as\u00ed como la construcci\u00f3n, implementaci\u00f3n y validaci\u00f3n de modelos de forecasting y t\u00e9cnicas de clasificaci\u00f3n A QUI\u00c9N VA DIRIGIDO Jefes t\u00e9cnicos de departamentos de Ciencia de datos, Anal\u00edtica, Estad\u00edstica, inteligencia de negocios, Big Data, Planificaci\u00f3n de Demanda, Riesgos o Finanzas. Cient\u00edficos de datos, Analistas de datos, Analistas de datos financieros, de riesgos o abastecimiento, Especialistas de BI, Analistas de mercado entre otros. Forecasters, Planificadores de demanda, Econometristas o en general profesionales que trabajen en el manejo de informaci\u00f3n dentro de la organizaci\u00f3n DURACI\u00d3N Horas Sincr\u00f3nicas en vivo: 200 Horas de autoaprendizaje: 100 Total: 300 horas Certificado de aprobaci\u00f3n Malla Curricular M\u00f3dulo I &#8211; Bases para el An\u00e1lisis de Series temporales en R y Python Este curso es la entrada al mundo del an\u00e1lisis de series temporales utilizando las herramientas m\u00e1s poderosas de programaci\u00f3n disponibles para ello: R y Python. Aprender\u00e1s las bases para crear, modificar y manipular series temporales y jugar con datos de tipo fecha. Adem\u00e1s se brindando los conceptos iniciales para el an\u00e1lisis de series temporales como autocorrelaci\u00f3n, estacionaridad, estacionalidad, tendencia, ciclicidad. Conceptos con los que aprender\u00e1s a desentra\u00f1ar patrones ocultos y tendencias en tus datos, y as\u00ed explorar la esencia misma de las series temporales. Recuerda, para este curso ya debes saber sobre tidyverse en R y pandas en Python M\u00f3dulo II &#8211; Modelos no param\u00e9tricos para Forecasting univariado Con el dominio de las bases para el an\u00e1lisis de series temporales, este curso es tu siguiente paso hacia la obtenci\u00f3n pron\u00f3sticos precisos. Descubrir\u00e1s el proceso de modelamiento por completo, incluyendo la forma de validar tu modelo, las m\u00e9tricas para evaluar su calidad y c\u00f3mo entrenarlo y afinar sus hiperpar\u00e1metros todo esto mientras te familiarizas con librer\u00edas en R y Python que potenciar\u00e1n tus an\u00e1lisis. Las t\u00e9cnicas no param\u00e9tricas como la Descomposici\u00f3n STL y la Suavizaci\u00f3n Exponencial ETS se convertir\u00e1n en herramientas esenciales en tu caja de herramientas. Explorar\u00e1s modelos m\u00e1s avanzados que abordan m\u00faltiples fuentes de estacionalidad como la Descomposici\u00f3n MSTL y conocer\u00e1s t\u00e9cnicas recientes como Facebook Prophet M\u00f3dulo III &#8211; Modelos param\u00e9tricos para Forecasting univariado Mientras en el curso anterior se desglosa las series temporales en sus componentes y se realiza pron\u00f3sticos usando modelos no param\u00e9tricos, en este curso te invitamos a conocer los potentes modelos param\u00e9tricos para forecasting y su utilidad. Comenzar\u00e1s por entender los procesos estoc\u00e1sticos que subyacen en las series temporales. Luego conocer\u00e1s t\u00e9cnicas param\u00e9tricas b\u00e1sicas como los modelos autoregresivos AR o de media m\u00f3vil MA y c\u00f3mo combinarlos y mejorarlos con los modelos ARMA, ARIMA, SARIMA. Adem\u00e1s, en aplicaciones financieras principalmente, existe una complejidad por la volatilidad de sus valores, aqu\u00ed resaltan los modelos ARCH y GARCH. Al final ampliar\u00e1s tu caja de herramientas con los modelos BATS y TBATS, que permiten pronosticar de manera efectiva situaciones donde existen diversas fuentes de estacionalidad, M\u00f3dulo IV &#8211; Statistical Learning for Time series Regresion Despu\u00e9s de explorar varios modelos que abordan el problema de la predicci\u00f3n como un problema univariado, es decir, trabajando s\u00f3lametne con la serie de tiempo sin considerar informaci\u00f3n externa. Este curso te lleva a un nivel m\u00e1s alto justamente porque se empieza a incorporar otras variables, enriqueciendo as\u00ed tus an\u00e1lisis y pron\u00f3sticos. Iniciamos recordando la regresi\u00f3n lineal m\u00faltiple y la forma de adaptar tus datos &#8220;tabulares&#8221; para realizar pron\u00f3sticos, 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 param\u00e9trico usando los Modelos Aditivos Generalizados para Observaciones No Independientes (GAMM). Todo esto, ampliar\u00e1 tus capacidades para enfrentar desaf\u00edos complejos M\u00f3dulo V &#8211; Machine Learning for Forecasting &#038; Time series Regresion Tras asentar los fundamentos estad\u00edsticos 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 m\u00f3dulos anteriores, ahora vas a aprender a usar modelos como k vecinos<\/p>\n","protected":false},"author":1,"featured_media":3559,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"nf_dc_page":"","content-type":"","om_disable_all_campaigns":false,"_uag_custom_page_level_css":"","_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_uf_show_specific_survey":0,"_uf_disable_surveys":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[7],"tags":[],"class_list":["post-1745","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-programa"],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?fit=2560%2C837&ssl=1","uagb_featured_image_src":{"full":["https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?fit=2560%2C837&ssl=1",2560,837,false],"thumbnail":["https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?resize=150%2C150&ssl=1",150,150,true],"medium":["https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?fit=300%2C98&ssl=1",300,98,true],"medium_large":["https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?fit=678%2C222&ssl=1",678,222,true],"large":["https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?fit=678%2C222&ssl=1",678,222,true],"1536x1536":["https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?fit=1536%2C502&ssl=1",1536,502,true],"2048x2048":["https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?fit=2048%2C670&ssl=1",2048,670,true],"post-thumbnail":["https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?resize=150%2C150&ssl=1",150,150,true],"gurukul-related":["https:\/\/i0.wp.com\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO%404x-1-scaled.png?resize=200%2C125&ssl=1",200,125,true],"woocommerce_thumbnail":["https:\/\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO@4x-1-300x300.png",300,300,true],"woocommerce_single":["https:\/\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO@4x-1-scaled.png",600,196,false],"woocommerce_gallery_thumbnail":["https:\/\/see-ec.org\/wordpress\/wp-content\/uploads\/2023\/09\/IMG-CORREO@4x-1-100x100.png",100,100,true]},"uagb_author_info":{"display_name":"see.ecuador2","author_link":"https:\/\/see-ec.org\/wordpress\/author\/see-ecuador2\/"},"uagb_comment_info":0,"uagb_excerpt":"Programa Experto en Forecasting Aplicado Es octubre, necesitamos comprar ya la mercader\u00eda qu\u00e9 vamos a vender en enero. Te encuentras ante un dilema: \u00bfc\u00f3mo asegurarte de que el stock disponible satisfaga la demanda en constante cambio? \u00bfla venta actual me indica alguna tendencia? \u00bfes enero un mes que generalmente tenga m\u00e1s venta que otros? \u00bfc\u00f3mo&hellip;","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/posts\/1745","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/comments?post=1745"}],"version-history":[{"count":6,"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/posts\/1745\/revisions"}],"predecessor-version":[{"id":3756,"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/posts\/1745\/revisions\/3756"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/media\/3559"}],"wp:attachment":[{"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/media?parent=1745"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/categories?post=1745"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/see-ec.org\/wordpress\/wp-json\/wp\/v2\/tags?post=1745"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}