Series Temporales con Pycaret y Python

제공자:
Coursera Project Network
학습자는 이 안내 프로젝트에서 다음을 수행하게 됩니다.

Entrenar diferentes modelos como Xgboost, Catboost o random forest para predecir series temporales

Predecir datos futuros en base a series de tiempo

Entrenar modelos avanzados de Machine Learning para series temporales

Clock2 horas
Intermediate중급
Cloud다운로드 필요 없음
Video분할 화면 동영상
Comment Dots스페인어
Laptop데스크톱 전용

En este proyecto aplicado y práctico aprenderás a entrenar modelos capaces de predecir series temporales. Para ello utilizaremos la librería de Pycaret con Python y entrenaremos modelos como: XGBoost, Catboost o Random forest. También aprenderemos a generar modelos más avanzados con lñas diferentes técnicas de ensamblado de modelos. Al finalizar este curso habrás aprendido a entrenar tus propios modelos y a aplicarlos en tus propios proyectos.

개발할 기술

  • Time Series
  • Machine Learning
  • Xgboost
  • PyCaret

단계별 학습

작업 영역이 있는 분할 화면으로 재생되는 동영상에서 강사는 다음을 단계별로 안내합니다.

  1. Introducción a las series temporales

  2. Clases de modelos de series de tiempo

  3. Fundamentos de Pycaret

  4. Series temporales univariantes. Pre-procesamiento

  5. Ejercicio aplicado. Pre-procesamiento de datos

  6. Series temporales univariantes. Entrenamiento del modelo

  7. Ejercicio aplicado. Entrenamiento de un modelo para predecir series de tiempo

  8. Series temporales univariantes. Evaluación del modelo

  9. Ejercicio aplicado. Evaluación del modelo

  10. Series temporales univariantes. Modelos avanzados

  11. Series temporales múltiples. Pre-procesamiento

  12. Ejercicio aplicado. Series temporales múltiples

  13. Series temporales múltiples. Entrenamiento y evaluación del modelo

  14. Ejercicio aplicado. Series temporales múltiples. Parte II

안내형 프로젝트 진행 방식

작업 영역은 브라우저에 바로 로드되는 클라우드 데스크톱으로, 다운로드할 필요가 없습니다.

분할 화면 동영상에서 강사가 프로젝트를 단계별로 안내해 줍니다.

자주 묻는 질문

자주 묻는 질문

궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.