Skip to content

narencastellon/Serie-de-tiempo-con-Machine-Learning

BranchesTags

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

127 Commits
Data
Data
 
 
End to End Deploy Machine learning model Time Series usando Flask
End to End Deploy Machine learning model Time Series usando Flask
 
 
imagen
imagen
 
 
.DS_Store
.DS_Store
 
 
A1.¿Por qué descomponer una serie temporal.ipynb
A1.¿Por qué descomponer una serie temporal.ipynb
 
 
A2.Transformación_de_Datos.ipynb
A2.Transformación_de_Datos.ipynb
 
 
A3.Supuestos_de_regresion.ipynb
A3.Supuestos_de_regresion.ipynb
 
 
A4.Time_Series_con_Plotly_en_Python.ipynb
A4.Time_Series_con_Plotly_en_Python.ipynb
 
 
Caso estudio:adidas_sales_forecasting_Statsforecast.ipynb
Caso estudio:adidas_sales_forecasting_Statsforecast.ipynb
 
 
Caso_estudio:Adidas_sales_forecasting_MLForecast.ipynb
Caso_estudio:Adidas_sales_forecasting_MLForecast.ipynb
 
 
Data wrangling.ipynb
Data wrangling.ipynb
 
 
Modulo 10.1.Introducció a Modelos_Arima.ipynb
Modulo 10.1.Introducció a Modelos_Arima.ipynb
 
 
Modulo 11.1.Multivariate-AutoArima.ipynb
Modulo 11.1.Multivariate-AutoArima.ipynb
 
 
Modulo 11.4 Sarimax Model.restaurant-visitors-forecast-with-sarimax.ipynb
Modulo 11.4 Sarimax Model.restaurant-visitors-forecast-with-sarimax.ipynb
 
 
Modulo 12. VAR.ipynb
Modulo 12. VAR.ipynb
 
 
Modulo 2.1 Time Series Polars.ipynb
Modulo 2.1 Time Series Polars.ipynb
 
 
Modulo 20.Regresión lineal_CO2.ipynb
Modulo 20.Regresión lineal_CO2.ipynb
 
 
Modulo 200. Comparando Arima_lstm_Random_forest_prophet.ipynb
Modulo 200. Comparando Arima_lstm_Random_forest_prophet.ipynb
 
 
Modulo 200.1. Comparando_Arima-MSTL-Knn-Mlp-catboost.ipynb
Modulo 200.1. Comparando_Arima-MSTL-Knn-Mlp-catboost.ipynb
 
 
Modulo 200.2. Comparando LSTM vs NeuralProphet.ipynb
Modulo 200.2. Comparando LSTM vs NeuralProphet.ipynb
 
 
Modulo 200.3. Comparando Garch-vs-xgboost.ipynb
Modulo 200.3. Comparando Garch-vs-xgboost.ipynb
 
 
Modulo 35. Arbol de Decision.ipynb
Modulo 35. Arbol de Decision.ipynb
 
 
Modulo 53. Pipeline_with_sklearn_and_xgboost_random_forest.ipynb
Modulo 53. Pipeline_with_sklearn_and_xgboost_random_forest.ipynb
 
 
Modulo 53.2. Pipeline_with_sklearn_and_xgboost_random_forest.ipynb
Modulo 53.2. Pipeline_with_sklearn_and_xgboost_random_forest.ipynb
 
 
Modulo 76.Kolmogorov Arnold Network.ipynb
Modulo 76.Kolmogorov Arnold Network.ipynb
 
 
Modulo 77.Informer-shrimp-prices-prediction.ipynb
Modulo 77.Informer-shrimp-prices-prediction.ipynb
 
 
Modulo Finance1.Forecasting prices Bitcoin con AutoArima.ipynb
Modulo Finance1.Forecasting prices Bitcoin con AutoArima.ipynb
 
 
Modulo sentiment analysis - zara-sales-products-analysis.ipynb
Modulo sentiment analysis - zara-sales-products-analysis.ipynb
 
 
Modulo time-series-anomaly-detection-con-isolation-forest.ipynb
Modulo time-series-anomaly-detection-con-isolation-forest.ipynb
 
 
Modulo wordcloud-time-series-clustering.ipynb
Modulo wordcloud-time-series-clustering.ipynb
 
 
Modulo. Cadena Markov - Machine Learning - Forecasting Time Series.ipynb
Modulo. Cadena Markov - Machine Learning - Forecasting Time Series.ipynb
 
 
README.md
README.md
 
 
forecasting_multi-step.gif
forecasting_multi-step.gif
 
 

Repository files navigation

Serie de tiempo con Machine Learning

Una serie temporal (time series) es una sucesión de datos ordenados cronológicamente, espaciados a intervalos iguales o desiguales. El proceso de forecasting consiste en predecir el valor futuro de una serie temporal, bien modelando la serie únicamente en función de su comportamiento pasado (autorregresivo) o empleando otras variables externas.

Forecasting

Forecasting consiste en predecir el valor futuro de una serie temporal, bien modelando la serie únicamente en función de comportamiento pasado (autoregresivo) o empleando otras variables externas.

About

No description, website, or topics provided.

Resources

Readme
Activity

Stars

40 stars

Watchers

1 watching

Forks

9 forks
Report repository

Releases

No releases published

Packages

No packages published

Languages