Curso Online: Introducción los modelos predictivos temporales utilizando R (15 horas)

Curso online en formato webinar, dividido en varias sesiones.

Podrá realizar preguntas y hablar con el profesor en directo, visualizando tanto la pantalla del profesor como la de los alumnos para los ejercicios prácticos.

  Si no puede asistir a alguna clase, no se preocupe, todo el curso queda grabado y recibirá una copia de la grabación.

RESERVA TU PLAZA

BONIFICABLE POR LA FUNDACIÓN TRIPARTITA EN ESPAÑA

CURSOS PERSONALIZABLES PARA EMPRESAS (horarios, sesiones, precios con descuento para varios alumnos de la misma empresa)

FECHAS: 5 jornadas en Abril. 6-7-8-9-10

HORARIO: 3 HORAS por día. 7 AM Buenos Aires, 12 PM España.

Objetivos:

Los modelos temporales permiten describir numerosos comportamientos asociados a problema de ventas, predicciòn de demanda, tendencias de adopción de tecnologías, etc. Su campo de aplicación se ubica en prácticamente todas las áreas del negocio.

Por sus características particulares, el estudio de series temporales requiere un detallado trabajo previo sobre los datos de partida para asegurar la calidad y bondad de ajuste del resultado. Por este motivo cobran especial importancia los métodos de análisis exploratorio de datos (EDA) y la aplicación de técnicas de visualización.

Una vez definido y calculado el modelo se requiere de un análisis crítico de su capacidad predictiva a través de métricas que resumen su comportamiento.

Calendario:

El curso esta diagramado para que el alumno pueda realizarlo en un total de 5 semanas, cada semana se tratarán los siguientes temas:

SEMANA 1:  

Introducción a los modelos predictivos con datos temporales (1 sesión)

• Los datos temporales

• Repositorios de datos temporales

• Predicción y Forecast

1.  Definiciones y ejemplos
2.  Las series de tiempo como caso particular de datos temporales
3. Otros tipo de datos temporales
4.  Conceptos iniciales de bases de datos
5.  Bases de datos temporales
6.  La representación del tiempo en bases de datos y datawarehouses
7. El problema de predicción temporal 
8.  Forecast y predicción de valores y magnitudes

SEMANA 2:

Herramientas básicas de análisis temporal. La preparación de los datos (1 sesión)

• Limpieza y normalización de datos temporales

• Herramientas gráficas y estadísticas para el análisis temporal

• Exploratory Data Analysis (EDA) en datos temporales

1.  Identificación de tendencia, ciclos y estacionalidad
2.  Detección de outliers
3. dentificación de patrones
4. Cálculo de autocorrelaciones

SEMANA 3:

Descomposición de series temporales. Tendencias, estacionalidad y ciclos (1 sesión)

• Tendencia, ciclos y estacionalidad

• Descomposición de una serie en sus tres componentes

• Modelado de la tendencia

• Modelado de Estacionalidad

• Caracterización de los ciclos

SEMANA 4:

Principales métodos : regresión, media móviles, alisado exponencial, ARIMA (1 sesión)

• Medias móviles (Moving Averages)

• Alisado exponencial (Exponential Smoothing)

• Forecast utilizando Regresión

• Forecast de datos estacionales utilizando Regresión

• Autocorrelación y Autoregresión

• Modelo ARIMA

SEMANA 5:

Bondad de ajuste del modelo y aplicación de los resultados (1 sesión)

• Proceso de Construcción de un modelo temporal predictivo

1.  Características de cada componente

• Medidas de bondad de ajuste en datos temporales

1. Período de observación
2.  Período de aprendizaje
3.  Horizonte de predicción
4. R cuadrado
5. R cuadrado ajustado
6. Criterio de Akaike
7. Criterio de Schwarz

• Implantación del modelo operativo

Expositor:  Néstor Martinez, licenciado en estadísticas, profesor en la Universidad de Rosario, UADE, ITBA y otras casas de altos estudios.

Consultor con más de 20 años de trayectoria, brindo sus servicios en Banelco, Personal, y otras.