|
所在平台: Udemy |
课程主页: https://www.udemy.com/course/pronosticos-de-series-de-tiempo-con-python/
课程评论：没有评论
Coursera 上的“使用 Python 进行时间序列预测”课程总结： 本课程教授如何使用 Python 对时间序列数据进行预测，例如公司销售额。课程亮点包括： * **Python 基础**: 从 Python 的下载、安装及基本语法（变量、函数、条件语句、序列、迭代）入手，并介绍用于可视化时间序列的 `matplotlib` 库。 * **时间序列预测模型**: 涵盖多种预测模型，如简单移动平均、加权移动平均、季节性分解以及 ARIMA（自回归积分滑动平均）模型。 * **自动化预测**: 课程新增了使用 `auto_arima` 工具自动化 ARIMA 模型预测的章节，提高效率。 * **实践学习**: 课程采用“边学边做”的方法，理论讲解与实际操作相结合，通过案例学习如何应用模型。 * **真实案例分析**: 课程最后将通过一个真实数据案例，指导学员如何定义带有季节性的 ARIMA 模型参数，并进行预测与验证。 **目标学员**: 市场营销、运营和金融领域的大学生和专业人士，他们需要进行销售、生产计划和财务报表预测。 **先修要求**: 基础统计学知识。无需 Python 基础。 本次课程更新特别强调了 `auto_arima` 工具的引入，可以帮助学员更高效地进行 ARIMA 模型预测，同时巩固了核心概念，非常适合希望优化时间并进行高级分析的学习者。
¡NUEVA SECCIÓN! Ahora puedes automatizar tus predicciones de series de tiempo con la herramienta auto_arima. Esta actualización te permitirá aplicar modelos ARIMA de forma más eficiente, sin perder de vista los conceptos clave que ya has aprendido. ¡Ideal para quienes buscan optimizar su tiempo y seguir profundizando en análisis avanzadosTe gustaría aprender a pronosticar series temporales como por ejemplo las ventas de tu organización. Esto es precisamente lo que aprenderás en este curso haciendo uso de Python, uno de los lenguajes de programación más potentes y fáciles de aprender. Soy Carlos Martínez, tengo una Maestría en Finanzas de la Universidad Centroamericana, un MBA de INCAE y un Ph.D. en Management de la Universidad de Saint Gallen en Suiza. He presentado mi investigación en algunas de las más prestigiosas conferencias y coloquios doctorales sostenidos en la Universidad de Tel Aviv, el Politécnico de Milán, la Universidad de Halmstad en Suecia y el MIT. Además, soy coautor de más de 25 casos de enseñanza algunos de ellos incluidos en las bases de casos de universidades relevantes como Harvard y Michigan.Este es un curso muy completo que incluyen presentaciones teóricas, tutoriales y tareas. El curso tiene un enfoque práctico basado en el método de learning-by-doing, en el luego de breves introducciones teóricas, aprenderás a operacionalizar los modelos de medias simples y ponderadas, descomposición estacional y ARIMA.En la primera parte del curso, haremos una introducción a Python desde cero desde su descarga e instalación, y luego aprendiendo su sintaxis básica, tipos de variables funciones, condicionales, secuencias e iteraciones. Completaremos esta sección con una introducción a la biblioteca matplot, que nos resultará particularmente útil durante el curso para graficar las series de tiempo. En la segunda parte del curso, abordaremos varios modelos de pronósticos de series de tiempo como las medias móviles simples y ponderadas, la descomposición estacional y el modelo autorregresivo integrado de media móvil o mejor conocido como ARIMA. Finalizaremos el curso con un caso con datos reales, en el que deberás definir los parámetros de un modelo ARIMA con estacionalidad para elaborar y validar un pronóstico.Los participantes ideales son estudiantes universitarios y profesionales relacionados a las áreas de mercadeo, operaciones y finanzas interesados en modelos de pronósticos para la planificación de ventas, producción y proyección de estados financieros. El curso no asume conocimientos previos en Python y el único prerrequisito es un conocimiento básico de estadística.Te invito a revises la información del curso, veas algunas de las clases gratuitas y te inscribas. ¡Nos vemos en la primera clase!
