Aprendizaje profundo para Pronosticar Series de Tiempo

Introducción

Los métodos de Deep Learning, como los perceptrones multicapa (RNA o MLP), las redes neuronales convolucionales (CNN) y la redes de memoria a largo y corto plazo (LSTM), pueden utilizarse para enseñar automáticamente las estructuras de dependencia temporal para los problemas de predicción de serie de tiempo. Para aquellos problemas en los que los métodos clásicos fallan y los métodos de aprendizaje automático (machine learning) requieren una ingeniería de características muy elaboradas, los métodos de aprendizaje profundo (deep learning) se pueden utilizar con gran éxito.

Las series de tiempo están presente en muchos de los problemas que debemos resolver en nuestro día a día ya que el tiempo es una variable esencial a partir de la cual aparecen ciclos de repeticiones que tenemos que saber modelar. Este curso está diseñado para enseñar paso a paso, cómo desarrollar métodos de aprendizaje profundo (deep learning) para pronosticar series de tiempo (time series forecasting) con ejemplos concretos y ejecutables en python.

Perfil del alumno 

Este curso le enseñará las habilidades prácticas de aprendizaje profundo (Deep Learning) que necesita para saber pronosticar series de tiempo. Para realizar este curso usted necesita tener conocimiento básico en python y tener conocimiento previo de como funcionan los modelos de redes neuronales.

Con este curso podrás

• Como transformar datos de serie de tiempo.
• Como desarrollar modelos de redes de percepción multicapa.
• Como transformar los datos de secuencia en una estructura tridimensional
• Como preparar datos y desarrollar un modelo de aprendizaje profundo.

Salidas profesionales de este curso

• Una predicción más precisa en la demanda de un producto permitirá optimizar la cadena de abastecimiento y de esta forma tener en stock la cantidad necesaria para vender sin perder ventas ni tampoco almacenar en bodega productos que no serán necesarios.
• Una mejor predicción del consumo de electricidad para una región es vital dado que ayudará en la toma de decisiones sobre qué cantidad producir para un lugar determinado en un periodo específico, utilizando los recursos energéticos necesarios minimizando costos operacionales para las estaciones eléctricas.
• Una predicción precisa de los índices bursátiles en el futuro permitirá tomar decisiones sobre la venta o compra de acciones en el momento exacto.

Existen muchos ejemplos de series temporales que han sido objeto de análisis para predecir los valores futuros, principalmente en las áreas de la ciencia, finanzas, comercio e industria. Por lo que todos éstos negocios anteriormente mencionados son una fuente potencial de demandantes de analistas predictivos donde este curso es la base para realizar estos modelos predictivos.