Lecciones

Resumen de cada lección de los cursos de la Academia:

5 - Estacionariedad y la prueba de Dickey-Fuller

(Junio 21, 2024 - Series de Tiempo - Análisis Exploratorio)

En esta lección vamos a entender qué es la estacionariedad de una Serie de Tiempo, porqué resulta importante determinar si una Serie es o no estacionaria y cómo verificar la estacionariedad de una serie con la prueba de Dickey-Fuller.

4 - La función de autocorrelación

(Junio 19, 2024 - Series de Tiempo - Análisis Exploratorio)

En esta lección usaremos el concepto de la correlación para definir la función de autocorrelación, que permite comparar la Serie de Tiempo consigo misma y que, al graficarla, nos brinda información relevante de las características de la Serie.

3 - Gráficos de dispersión para Series de Tiempo

(Junio 17, 2024 - Series de Tiempo - Análisis Exploratorio)

En esta lección veremos cómo generar gráficos de dispersión y combinarlos con el concepto de correlación para analizar posibles relaciones entre pares de Series de Tiempo.

2 - Gráficos estacionales

(Junio 14, 2024 - Series de Tiempo - Análisis Exploratorio)

En esta lección hablaremos de los gráficos estacionales, una herramienta que nos permite detectar y analizar en detalle el componente estacional de una Serie de Tiempo.

1 - Componentes de una Serie de Tiempo

(Junio 12, 2024 - Series de Tiempo - Análisis Exploratorio)

En esta primera lección del curso vamos a ver cuáles son los principales componentes de una Serie de Tiempo (tendencia y estacionalidad) y cómo extraerlos usando la librería 'statsmodels' de Python.

12 - Detección de 'outliers' usando 'Isolation forests'

(Mayo 29, 2024 - Series de Tiempo - Pre-procesamiento)

En esta última lección veremos cómo detectar valores extremos en Series de Tiempo usando la técnica de bosques de aislamiento (isolation forests).

11 - Detección de 'outliers' usando el método z-score

(Mayo 28, 2024 - Series de Tiempo - Pre-procesamiento)

En esta lección veremos el método z-score que permite detectar 'outliers' cuando tenemos certeza de que la distribución de las observaciones en la Serie de Tiempo es Normal o Gaussiana.

10 - Detección de 'outliers' usando el método de Tukey

(Mayo 24, 2024 - Series de Tiempo - Pre-procesamiento)

En esta lección veremos el método de Tukey para la detección de valores extremos en Series de Tiempo, un método estadístico que permite realizar una detección más rigurosa en comparación con los métodos de inspección visual.

9 - Detección de 'outliers' usando inspección visual

(Mayo 23, 2024 - Series de Tiempo - Pre-procesamiento)

En esta lección veremos la técnica más sencilla para la detección de valores extremos en una Serie de Tiempo: la inspección visual.

8 - Imputación con interpolación

(Mayo 22, 2024 - Series de Tiempo - Pre-procesamiento)

En esta lección veremos qué es la interpolación y cómo usar este método para realizar el manejo de datos faltantes en una Serie de Tiempo.

7 - Imputación multivariada

(Mayo 21, 2024 - Series de Tiempo - Pre-procesamiento)

En esta lección veremos cómo usar la información de múltiples variables para completar los datos faltantes en una Serie de Tiempo, lo que se conoce precisamente como imputación multivariada.

6 - Imputación univariada

(Mayo 17, 2024 - Series de Tiempo - Pre-procesamiento)

En esta lección veremos qué es y cómo implementar la imputación univariada para el manejo de datos faltantes en Series de Tiempo con ayuda de Pandas y Scikit-Learn.