En este curso aprenderás

  • ¿Qué son las Series de Tiempo y su importancia en la Ciencia de Datos y el Machine Learning?

  • La ruta sugerida para el aprendizaje de las principales técnicas de preprocesamiento, análisis y predicción sobre Series de Tiempo.

  • Las principales técnicas para el manejo de datos faltantes y el manejo de valores extremos (“outliers”) presentes en las Series de Tiempo haciendo uso de Python

Contenido del curso

  1. 1

    • Las Series de Tiempo y su importancia en la Ciencia de Datos y el Machine Learning

    • Serie de Tiempo: ruta de aprendizaje

    • Lectura y visualización de Series de Tiempo (repaso)
  2. 2

    • Los tipos de datos faltantes en Series de Tiempo

    • Manejo de marcas de tiempo faltantes

    • Imputación univariada

    • Imputación multivariada

    • Imputación con interpolación
  3. 3

    • Detección de "outliers" usando inspección visual

    • Detección de "outliers" usando el método de Tukey

    • Detección de "outliers" usando el método z-score

    • Detección de "outliers" usando "Isolation forests"

Requisitos

  • Se sugiere haber tomado el curso Pandas Nivel Intermedio, disponible en la Academia Online, donde estudiamos técnicas básicas para la lectura y visualización de Series de Tiempo.

Instructor

Fundador y creador de contenidos en Codificando Bits

Miguel Sotaquirá

Soy Ingeniero Electrónico y tengo una Maestría en esta área, así como un Doctorado en Bioingeniería. Durante 15 años he sido profesor e investigador de varias universidades de Colombia, y desde el año 2017 me he convertido en un apasionado por el Machine Learning, el Deep Learning y la Ciencia de Datos. De hecho durante mi tesis doctoral explore temas de Machine Learning y algo de Deep Learning (que aún no estaba en auge!) para el análisis de imágenes médicas. En la actualidad me dedico por completo a divulgar contenido en mi canal de YouTube y a brindar asesoría y formación a personas y empresas en estos temas.