Forecasting y análisis de series temporales para soporte a decisiones de negocio.
El tiempo añade una dimensión que los modelos ML clásicos ignoran: la autocorrelación, la tendencia y la estacionalidad. Predecir ventas del próximo mes, anticipar demanda estacional o cuantificar el impacto de eventos externos (como un confinamiento) requiere modelos que respeten el orden temporal y capturen patrones cíclicos.
Análisis y descomposición de series temporales para identificar componentes de tendencia y estacionalidad. Modelos de previsión desde básicos hasta algoritmos regresivos avanzados (Decision Tree, Gradient Boosting, KNN, MLP, SVR) con optimización de hiperparámetros mediante Optuna. Prophet de Meta para forecasting con tendencias no lineales, estacionalidades múltiples y análisis de impacto de eventos externos.
Antes de aplicar modelos complejos de forecasting, es necesario dominar los conceptos fundamentales:…
Ver proyecto →ARIMA requiere series estacionarias y no maneja bien múltiples estacionalidades simultáneas ni festi…
Ver proyecto →Antes de modelar una serie temporal, es necesario entender su estructura: ¿tiene tendencia? ¿La esta…
Ver proyecto →Predecir las ventas de artículos específicos en retail con datos históricos que presentan patrones c…
Ver proyecto →