Machine learning para datos de series temporales en Python
Este curso se centra en la ingeniería de características y el aprendizaje automático para series temporales.
Comience El Curso Gratis4 horas13 vídeos53 ejercicios
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas
Preferido por estudiantes en miles de empresas
Descripción del curso
Los datos de series temporales son omnipresentes. Ya se trate de las fluctuaciones del mercado bursátil, los datos de los sensores que registran el cambio climático o la actividad del cerebro, cualquier señal que cambie con el tiempo puede describirse como una serie temporal. El machine learning ha surgido como un potente método para aprovechar la complejidad de los datos con el fin de generar predicciones y conocimientos sobre el problema que se intenta resolver. Este curso es una intersección entre estos dos mundos del machine learning y los datos de series temporales, y abarca la ingeniería de características, los espectogramas y otras técnicas avanzadas para clasificar los sonidos de los latidos del corazón y predecir los precios de las acciones.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Científico de machine learning en Python
Ir a la pistaSeries temporales en Python
Ir a la pista- 1
Manual de series temporales y machine learning
GratuitoEste capítulo es una introducción a los fundamentos del machine learning, los datos de series temporales y la intersección entre ambos.
Tipos de series temporales y aplicaciones50 xpIdentificar una serie temporal50 xpTrazar una serie temporal (I)100 xpTrazar una serie temporal (II)100 xpConceptos básicos del machine learning50 xpAjuste de un modelo simple: clasificación100 xpPredicción mediante un modelo de clasificación100 xpAjuste de un modelo simple: regresión100 xpPredecir mediante un modelo de regresión100 xpMachine learning y datos de series temporales50 xpInspeccionar los datos de clasificación100 xpInspeccionar los datos de la regresión100 xp - 2
Series temporales como entradas de un modelo
La forma más sencilla de incorporar series temporales a tu proceso de machine learning es utilizarlas como características de un modelo. Este capítulo trata de las características habituales que se extraen de las series temporales para realizar machine learning.
Clasificar una serie temporal50 xpMuchas repeticiones de sonidos100 xpInvarianza en el tiempo100 xpConstruye un modelo de clasificación100 xpMejorar las características para la clasificación50 xpCálculo de la envolvente del sonido100 xpCalcular características a partir de la envolvente100 xpCaracterísticas derivadas: El tempograma100 xpEl espectrograma50 xpEspectrogramas de audio de latidos100 xpCaracterísticas espectrales de ingeniería100 xpCombinar muchas características en un clasificador100 xp - 3
Predicción de datos de series temporales
Si quieres predecir patrones a partir de datos a lo largo del tiempo, hay consideraciones especiales que debes tener en cuenta a la hora de elegir y construir tu modelo. En este capítulo se explica cómo obtener información sobre los datos antes de ajustar el modelo, así como las mejores prácticas en el uso de modelos predictivos para datos de series temporales.
Predecir datos a lo largo del tiempo50 xpPresentación del conjunto de datos100 xpAjuste de un modelo de regresión simple100 xpVisualizar los valores previstos100 xpPredicción avanzada de series temporales50 xpVisualizar datos desordenados100 xpImputar valores perdidos100 xpTransformación de datos brutos100 xpManejo de valores atípicos100 xpCrear características a lo largo del tiempo50 xpIngeniería de múltiples funciones rodantes a la vez100 xpPercentiles y funciones parciales100 xpUtilizar la información de la "fecha100 xp - 4
Validación e inspección de modelos de series temporales
Una vez que tengas un modelo para predecir datos de series temporales, tienes que decidir si es un modelo bueno o malo. Este capítulo abarca los fundamentos de la generación de predicciones con modelos para validarlos con datos "de prueba".
Crear rasgos del pasado50 xpCrear funciones con desfase temporal100 xpCaso especial: Modelos autorregresivos100 xpVisualizar los coeficientes de regresión100 xpAutorregresión con una serie temporal más suave100 xpValidación cruzada de datos de series temporales50 xpValidación cruzada con barajado100 xpValidación cruzada sin barajar100 xpValidación cruzada basada en el tiempo100 xpEstacionariedad y estabilidad50 xpEstacionariedad50 xpDeterminación de un intervalo de confianza100 xpCálculo de la variabilidad de los coeficientes del modelo100 xpVisualizar la variabilidad de la puntuación del modelo a lo largo del tiempo100 xpContabilización de la no estacionariedad100 xpResumen50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Científico de machine learning en Python
Ir a la pistaSeries temporales en Python
Ir a la pistacolaboradores
Chris Holdgraf
Ver MásFellow at the Berkeley Institute for Data Science
¿Qué tienen que decir otros alumnos?
¡Únete a 14 millones de estudiantes y empieza Machine learning para datos de series temporales en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.