Intel® AI Academy | Todos los cursos

Análisis de series temporales

Resumen

En este curso se enseña el análisis de series temporales y los métodos utilizados para predecir, procesar y reconocer los datos secuenciales. Los temas incluyen:

  • Una introducción a las series temporales y los datos estacionarios
  • Aplicaciones como modelos de AutoRegressive Integrated Moving Average (ARIMA), suavizado de datos y autocorrelación
  • Conceptos de series temporales avanzadas como filtros de Kalman y transformaciones de Fourier
  • Métodos y arquitecturas de aprendizaje profundo utilizados para el análisis de series temporales

Al finalizar este curso, los estudiantes tendrán un conocimiento práctico de:

  • La teoría y los métodos del análisis de series temporales
  • Conceptos clave, entre ellos filtros, transformaciones de señales y anomalías
  • Cómo utilizar aprendizaje profundo, autocorrelación y ARIMA con Python*

El curso está estructurado en torno a ocho semanas de clases y ejercicios. Cada semana requiere tres horas.

Semana 1

En esta clase se presentan las series temporales y sus aplicaciones. Los temas incluyen:

  • Qué es una serie temporal y por qué es importante
  • Cómo descomponer tendencia, estacionalidad y residuales
  • Qué son los modelos aditivos, multiplicativos y seudoaditivos
  • La aplicación del pronóstico de series temporales con Python

Descargar

Semana 2

En esta clase se presenta la estacionaridad y sus transformaciones matemáticas. Incluye:

  • La definición de estacionaridad y su relevancia
  • Los métodos de transformación como diferenciación, destendenciamiento y logaritmos
  • Cómo diferenciar datos estacionarios y no estacionarios con Python

Descargar

Semana 3

En esta clase se enseñan métodos de suavizado de datos y sus aplicaciones. Información sobre:

  • Por qué es esencial suavizar los datos para el análisis de datos
  • Técnicas de suavizado de datos: desde suavizado promedio simple hasta suavizado exponencial triple
  • Cómo suavizar datos de series temporales con Python

Descargar

Semana 4

En esta clase se explican la autocorrelación y la autocorrelación parcial. Los temas incluyen:

  • Cuáles son las funciones de la autocorrelación y la autocorrelación parcial y cómo funcionan
  • Las variaciones de modelos como el promedio móvil y autorregresivo
  • Cómo utilizar Python para desarrollar modelos de autocorrelación

Descargar

Semana 5

Esta clase presenta los modelos ARMA, ARIMA y SARIMA. Los temas incluyen:

  • De qué manera funcionan los modelos ARMA, ARIMA y SARIMA y cómo desarrollarlos.
  • Cómo implementar estos modelos con Python

Descargar

Semana 6

En esta clase se analizan más detalladamente las series temporales avanzadas. Los temas incluyen:

  • Cómo utilizar tablas de control y detección de anomalías
  • Una introducción a filtros Kalman y caso de uso de los mismos

Descargar

Semana 7

En esta clase se presentan las transformaciones de señales. Información sobre:

  • Por qué las transformaciones de señales son útiles para el análisis de series temporales
  • Técnicas como las transformaciones de Fourier, los filtros y las funciones de ventana

Descargar

Semana 8

En esta clase se enseña a utilizar el aprendizaje profundo con análisis de series temporales. Los temas incluyen:

  • Una explicación de las arquitecturas RNN y LSTM
  • Cómo utilizar Python para implementar los modelos de aprendizaje profundo para el pronóstico de series temporales

Descargar