Construyendo un Modelo de Descomposición Estacional en Python (Estacionalidad + Tendencia + Error)

#Python #Pronosticos #SeriesDeTiempo #DescomposicionEstacional
El curso completo está disponible en udemy: https://www.udemy.com/course/pronosti... (si quieres un cupón de descuento, envíame un correo a [email protected] y te lo envío con gusto)

Te 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 Politecnico de Milán, la Universidad de Halmstad en Suecia y el MIT. Además, soy coautor de más de 25 casos de enseñanza algunos de ellos incluídos en las bases de casos de universidades relevantes como Harvard y Michigan.

Este es un curso muy completo que incluyen presentaciones téoricas, 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 estudiantes ideales son estudiantes 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!