Curso

Análisis Predictivos de Series de Tiempo con R Aplicado a los Negocios

Inicio: 11 de octubre

Solicita mas información

*obligatorio

Sobre el Curso

La 4ta revolución industrial se está manifestando en nuestro entorno a través del desarrollo de tecnologías y tendencias disruptivas como Inteligencia Artificial (IA), Internet de las cosas (IoT), Robótica y Realidad Virtual (VR), lo cual está remodelando la forma de hacer negocios, la educación, la medicina, el comercio y casi todos los aspectos de la vida que, sin duda, cambiarán para siempre.
El análisis de series de tiempo es muy importante y utilizada hoy en día en muchas empresas para realizar pronósticos a corto y largo plazo como por ejemplo predecir las ventas que tiene una empresa, la producción de ciertas materias, acciones de la bolsa de valores o cualquier serie de tiempo de otra naturaleza para poder de tomar decisiones y tener un control adecuado de las variables relevantes del negocio.

La utilización de estas técnicas avanzadas genera ventajas competitivas en las empresas debido al gran valor que aportan su uso adecuado.

Python es uno de los lenguajes de programación más fáciles, versátiles y utilizados en el mundo, puede cubrir diversas áreas entre ellas el de Machine Learning.

Objetivo

Al finalizar el curso el participante estará en la capacidad de poder predecir el comportamiento futuro de cualquier tipo de series de tiempo y tomar adecuadas decisiones mediante las técnicas estadísticas avanzadas, así como también implementar algoritmos avanzados de Redes Neuronales Artificiales (Inteligencia Artificial) al presentarse estos tipos de problemas que abarcan diariamente en todas las áreas de una organización.

Dirigido
  • Profesionales que se desarrollan en las áreas de inteligencia de negocios, analistas de información, analistas de sistemas, administradores, Tecnología de información, analytics, planificación, marketing, profesionales que deseen incursionar en el mundo de demanda y cálculo de pronósticos de productos, ventas, etc.
Certificación

1. Certificado Digital
Al haber aprobado el curso con un promedio ponderado mayor ó igual a 14, se le otorga al participante un certificado digital con QR a nombre de la Universidad Nacional de Ingeniería – Facultad de Ingenieria Mecánica.

2. Constancia de Asistencia
Al participante que no cumpla con los requisitos de certificación, se le
otorgará una Constancia de Asistencia del Curso, para lo cual el alumno
deberá contar con una asistencia a clase mínima del 80%. En el caso de no
cumplir con dicho requerimiento no se emitirá dicha Constancia.

Requisitos
  • Se requieren conocimientos básicos en estadística.
  • Se requiere una cuenta de correo gmail para acceder a Google Colab (gratuito).

 SOFWARE REQUERIDO:

  • R studio

Inicio

11 de octubre

Modalidad

online en vivo

}

Horario

sábados de 3 pm a 7 pm

Duración

30 horas certificadas

Certificación

Certificado digital UNI con QR

Descargar brochure

¡Certifícate a nombre de la mejor Universidad del Perú!

Nuestro certificado es reconocido y avalado por instituciones educativas y profesionales. Refleja la calidad de la formación recibida y es una valiosa acreditación para avanzar en el mercado laboral.

Matriculate aquí

Docente

Yelsin Rosales Malpartida

Analista de datos con técnicas estadísticas avanzadas aplicados a Data Mining, Big data, Series de tiempo, Econometría, Inteligencia Artificial, Machine Learning

Instructor especialista en las áreas de
Machine Learning y Data Science.

Linkedin

Temario

1. Teoría de Suavización de una Serie

OBJETIVOS

  • Conocer las formas de autocorrección que tiene una serie de tiempo con respecto a su data histórica.

TEMARIOS

    • Promedios móviles simples y ponderados.
    • Suavización exponencial simple, suavización exponencial doble.
    • Método de suavización de Brown, Holt.
    2. Métodos de Suavizamientos de una Serie

    OBJETIVOS

    • Diferenciar entre los tipos de suavización y saber cuándo utilizarlos según cada caso propuesto.

    TEMARIO

    • Matemática para Holt – Winters.
    • Suavización Holt – Winters.
    3. Pronósticos con Dominio en el Tiempo

    OBJETIVOS

    • Conocer las ecuaciones matemáticas predictivas según Box-Jenkins.
    • Aprender a estimar periodos futuros de un producto.
    • Diferenciar entre técnicas de predicción según características.

    TEMARIO

    • Modelos básicos. Modelos Box – Jenkins.
    • Modelos autorregresivos AR y medias móviles MA.
    • Relación matemática entre los modelos AR y MA.
    4. Pronósticos con Arima y Sarima

    OBJETIVOS

    • Conocer las ecuaciones matemáticas de predicción de ARIMA – SARIMA.
    • Conocer las fases necesarias para realizar un proceso de predicción.

    TEMARIO

    •  Funciones de autocovarianza y autocorrelación.
    • Modelos ARIMA, SARIMA.
    • Remodelar una serie de tiempo.
    5. Pronósticos de Series de Tiempo con Deep Learning

    OBJETIVOS

    • Conocer las ecuaciones matemáticas de predicción de las redes neuronales artificiales.
    • Conocer las arquitecturas de las redes neuronales artificiales.

    TEMARIO

    • Modelos de redes neuronales autorregresivas NNAR.
    • Arquitecturas de los modelos NNAR.
    • Comparación de NNAR y SARIMA.
    6. Modelos Ensamblados y Potentes para Predecir

    TEMARIO

    • Modelos híbridos de métodos clásicos y modernos de predicción.
    • Casos prácticos en las empresas.
    • Trabajo final.

    Sigue nuestras redes

    Contáctanos

    Universidad Nacional de Ingeniería - UNI

    Av. Túpac Amaru Nº210 - Rimac, Puerta Nº 3 Lima, Perú, Facultad de Ingeniería Mecánica - UNI

    Correo Institucional

    unielearning@uni.edu.pe

    Correo Informes

    informes@unielearning.net

    WhatsApp Informes

    974 539841
    932 896014

    Libro de reclamaciones