Interpretar un gráfico de series temporales

A continuación se presenta una previsión para los precios de patatas en Ruanda en 2016 y 2017.

Patata

¿Cuál de las siguientes afirmaciones es cierta sobre la predicción del modelo?

Este ejercicio forma parte del curso

Comprender la ciencia de datos

Ver curso

Ejercicio interactivo práctico

Pon en práctica la teoría con uno de nuestros ejercicios interactivos

Empieza el ejercicio

Este ejercicio forma parte del curso

Comprender la ciencia de datos

PrincipianteNivel de habilidad

4.8+

2734 reviews

Comienza el curso gratis

Empezaremos el curso definiendo qué es la ciencia de datos. Cubriremos el flujo de trabajo de la ciencia de datos y cómo se aplica la ciencia de datos a los problemas del mundo real. Terminaremos el capítulo aprendiendo sobre los diferentes roles del campo de la ciencia de datos.

Exercise 1: ¿Qué es la ciencia de datos?Exercise 2: Ciencia de datos por doquier Exercise 3: Importancia de la ciencia de datos Exercise 4: Aplicaciones de la ciencia de datos Exercise 5: Dosis diaria de ciencia de datos Exercise 6: La ciencia de los asistentes inteligentes Exercise 7: Roles y herramientas de la ciencia de datos Exercise 8: Seleccionar al candidato adecuado Exercise 9: El papel de un científico de datos

Ahora que entendemos el flujo de trabajo de la ciencia de datos, profundizaremos en el primer paso: la recopilación y el almacenamiento de datos. Aprenderemos sobre las distintas fuentes de datos que puedes utilizar, qué aspecto tienen esos datos, cómo almacenarlos una vez recopilados y cómo un pipeline de datos puede automatizar el proceso.

Exercise 1: Fuentes de datos Exercise 2: Ordenar fuentes de datos Exercise 3: Frecuencia de asma Exercise 4: Tipos de datos Exercise 5: Clasificar los tipos de datos Exercise 6: Net Promoter Score Exercise 7: Monitor de actividad Exercise 8: Almacenamiento y recuperación de datos Exercise 9: Plataformas en la nube Exercise 10: Consultar una base de datos Exercise 11: ¿Qué tipo de base de datos?Exercise 12: Pipelines de datos Exercise 13: Características del pipeline de datos Exercise 14: Extraer, transformar, cargar

La preparación de los datos es fundamental: los científicos de datos pasan el 80 % del tiempo limpiando y manipulando datos, y solo el 20 % analizándolos de verdad. Este capítulo te mostrará cómo diagnosticar problemas en los datos y cómo tratar los valores que faltan y los valores atípicos. A continuación, obtendrás información sobre la visualización, otra herramienta esencial tanto para explorar tus datos como para transmitir tus conclusiones.

Exercise 1: Preparación de datos Exercise 2: La verdad está ahí fuera Exercise 3: ¿Te has preparado?Exercise 4: Análisis exploratorio de datos Exercise 5: EDA numérico Exercise 6: EDA visual Exercise 7: Visualización Exercise 8: Paneles interactivos Exercise 9: Mejorar un panel

En este capítulo final, hablaremos de experimentación y predicción. Empezaremos con los experimentos, cubriremos las pruebas A/B y pasaremos a la previsión de series temporales, donde aprenderemos a predecir acontecimientos futuros. Por último, terminaremos con el machine learning y examinaremos el aprendizaje supervisado y la agrupación de clústeres.

Exercise 1: Pruebas A/B Exercise 2: Crear un flujo de trabajo de pruebas A/B Exercise 3: Significación estadística Exercise 4: Resultados intermedios Exercise 5: Previsión de series temporales Exercise 6: Clasificar datos de series temporales Exercise 7: Interpretar un gráfico de series temporales

Ejercicio actual

Exercise 8: Machine learning supervisado Exercise 9: Cuándo utilizar el aprendizaje supervisado Exercise 10: Atributos y etiquetas Exercise 11: Evaluación del modelo Exercise 12: Agrupación de clústeres Exercise 13: Supervisado frente a no supervisado Exercise 14: Selección del tamaño del grupo Exercise 15: ¡Enhorabuena!