1. Aprende
    2. /
  2. Cursos
    3. /
  3. Machine learning para datos de series temporales en Python
  • 1

    Manual de series temporales y machine learning

    Gratuito

    Este capítulo es una introducción a los fundamentos del machine learning, los datos de series temporales y la intersección entre ambos.

  • 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.

  • 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.

  • 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".

Initializing

Ejercicio

Autorregresión con una serie temporal más suave

Ahora, volvamos a ejecutar el mismo procedimiento utilizando una señal más suave. Utilizarás el mismo algoritmo de cambio porcentual que antes, pero esta vez utilizarás una ventana mucho mayor (40 en lugar de 20). A medida que crece la ventana, la diferencia entre puntos temporales vecinos se reduce, lo que da lugar a una señal más suave. ¿Qué crees que hará esto al modelo autorregresivo?

prices_perc_shifted y model (actualizado para utilizar una ventana de 40) están disponibles en tu espacio de trabajo.

Instrucciones

100 XP

Utilizando la función (visualize_coefficients()) que creaste en el último ejercicio, genera un gráfico con los coeficientes de model y los nombres de las columnas de prices_perc_shifted.