Estación Lastarria

Herramientas para Análisis y Pronóstico de
Series de Tiempo en R

En este curso revisaremos algunos paquetes y métodos que se han desarrollado para abordar grandes colecciones de series de tiempo, con especial énfasis en su aplicación práctica en R. Al final del curso, el participante será capaz de identificar aproximaciones adecuadas para abordar problemas de pronóstico, poseer una caja de herramientas para generar pruebas de concepto e investigar por cuenta propia nuevas metodologías y la teoría asociada a ellas.

Horario

Martes de 19:00 a 22:00 horas
desde el martes 9 de agosto
(6 sesiones)

Participantes

20 Cupos Disponibles
¡No te quedes fuera!

CLP$100.000

Paga con Transferencia Electrónica, Tarjeta Crédito/Débito, Pay Pal o Criptomonedas

Inscríbete Ahora

Sobre el Curso

Los participantes aprenderán a:

  • Manipular series de tiempo desde una perspectiva tidy.
  • Visualizar y caracterizar series de tiempo
  • Seleccionar y evaluar metodologías de pronóstico adecuados a las problemáticas propuestas
  • Implementar de manera eficiente algoritmos de pronóstico
  • Investigar y profundizar en la teoría asociada a los métodos de pronóstico de manera autónoma

Estudiantes, consultores y profesionales de áreas como Economía, Finanzas e inversiones, Gestión de Operaciones, Energética o Ambiental, Actuaría, Ciencias Sociales, interesados en resolver problemas de pronóstico en sus respectivas organizaciones.

  • Soporte técnico para tomar clases virtuales (computador, conexión a internet estable, etc). 
  • R + RStudio instalados, así como librería de R como forecast, xts, zoo, prophet, fable, rsample, time_tk, modeltime, tsibble, nnfor, ssa, anomalize, entre otras.
  • Conocimientos básicos de programación en R utilizando tidyverse.

Descarga el Programa completo de este curso

Programas del Curso

Sesión 1

Introducción

  • Presentación del curso
  • Introducción a Series de Tiempo y Forecasting
  • Contexto actual: revisión competencias de Forecasting
  • Forecasting y negocios
  • Forecasting y Machine Learning
  • Nuestro primer modelo: aplicación de prophet (Facebook)

Sesión 2

Herramientas para manipulación y
visualización de Series de Tiempo

  • Conceptos básicos de Series de Tiempo
  • Análisis de Datos Exploratorio (EDA) para Series de Tiempo (Tendencia, Estacionalidad, Ciclicidad, Outliers, cambios estructurales)
  • Descomposición de Series de Tiempo (STL)
  • Medidas de dependencia temporal (Autocorrelación y Autocorrelación Parcial)
  • Métodos ingenuos de Forecasting (Ruido Blanco)
  • Estacionariedad y estacionariedad débil

Sesión 3

Manipulación, agregación y evaluación pronósticos de series de tiempo

  • base, lubridate, ts, xts, zoo, tsibble, timetk
  • Validación Cruzada para Series de Tiempo
  • Modelos benchmark (naive)
  • Métricas de evaluación de pronósticos
  • Regresión Lineal en el contexto de series de tiempo
    • Introducción a Feature Engineering para Series de Tiempo
  • Análisis de Residuales

Sesión 4

Modelos de Pronóstico de Series de Tiempo

  • Exponential Smoothing (ETS)
  • Modelos ARIMA
  • Dynamic regression
  • BATS-TBATS
  • Prophet (Facebook)
  • Seasonal-Trend Decomposition using Regression (STR)
  • Singular Spectrum Analysis (SSA)
  • Croston’s Method

Sesión 5

Feature Engineering para Modelos de Machine Learning

  • Reducción de Varianza
  • Ventanas rodantes 
  • Normalización y Estandarización
  • Imputación de Series de Tiempo
  • Rezagos (lags) y diferenciación
  • Series y coeficientes de Fourier
  • Tendencia, Estacionalidad y efectos de Calendario
  • Interacciones
  • Variables autocorrelacionadas
  • Eventos Especiales

  • Primer modelo de ML para pronóstico de series de tiempo: Random Forest

Sesión 6

Machine Learning para Forecasting

  • Autoregressive Artificial Neural Networks (nnetar)
  • SVM (Radial Basis Function SVM)
  • kNN
  • XGBoost

Facilitador

Bastián Aballay Leiva

Ingeniero Civil Industrial (Universidad Técnica Federico Santa María), Magíster en Ciencias de la Ingeniería Industrial mención Finanzas (Universidad Técnica Federico Santa María) y Diplomado en Ciencia de Datos (Universidad del Desarrollo).

Forma parte del equipo de Analítica Avanzada de Coca-Cola Embonor como Data Scientist.

¿Tienes alguna duda?