Predecir consumos (series de tiempo) con Machine Learning (ARIMA) en R

Predecir Consumos (Series de Tiempo) con Machine Learning (ARIMA) en R

Presentación Curso

En este curso aprenderemos a aplicar algoritmos de inteligencia artificial para predecir el comportamiento de una serie de tiempo como solución a un problema planteado, para lo cual trataremos las siguientes unidades:

1. Teoría de las Series de Tiempo.
2. Teoría de Algoritmos de Machine Learning.
3. Predecir Series de Tiempo con ARIMA en R.

Al final, yo espero que con los conocimientos adquiridos puedan modificar el código presentado en el último módulo aplicándolo en la solución de un problema de análisis de datos que tengan en su día a día.

¿Qué puedo lograr con el Curso?

Quiz Series de Tiempo

Este quiz pretende evaluar su nivel conocimiento sobre las Series de Tiempo antes de iniciar la unidad de teoría.

Unidad 1 Serie de Tiempo

¿Qué es una Serie de Tiempo?

Aprende qué es una Seria de Tiempo a partir de diferentes ejemplos.

Definición

"Una serie de tiempo es una secuencia de observaciones, medidas en determinados momentos del tiempo, ordenados cronológicamente y espaciados entre sí de manera uniforme."(Ver Introducción a Series de Tiempo)

Componentes de una Serie de Tiempo

Gráfica: Componentes de la Serie de Tiempo del Consumo del Canal de Datos

"El análisis clásico de las series temporales se basa en la suposición de que los valores que toma la variable de observación es la consecuencia de tres componentes, cuya actuación conjunta da como resultado los valores medidos, estos componentes son:

Clasificación de las Series de Tiempo

Estacionarias: "Una serie es estacionaria cuando es estable a lo largo del tiempo, cumpliendo tres criterios:

No Estacionarias: Son series en las cuales la tendencia y/o variabilidad cambian en el tiempo. Los cambios en la media determinan una tendencia a crecer o decrecer a largo plazo, por lo que la serie no oscila alrededor de un valor constante.

Quiz Series de Tiempo

Este quiz pretende evaluar su nivel conocimiento sobre las Series de Tiempo después de ver la teoría.

Unidad 2 Algoritmos de Machine Learning

"La gran mayoría de algoritmos de Machine Learning, se engloban en tres grupos principales:

Unidad 3 Predecir Series de Tiempo con ARIMA

Planteamiento del problema

A partir de los registros de consumo de un canal de datos recolectados durante 60 días, se busca predecir el consumo de los próximos 30 días.
Los registros se pueden descargar en el siguiente enlace (canal.csv) y fueron obtenidos de un objeto RRD (Round Robin Database) con las siguientes características: unidad bit/s, escala 8, intervalo 24:00:00.

En el problema planteado se conocen los registros de una serie de tiempo y se busca predecir sus registros futuros, razón por la cual se utilizará un algoritmo de aprendizaje supervisado de Machine Learning denominado ARIMA (autoregressive integrated moving average (autorregresivo integrado de promedio móvil)).

Referencias y Fuentes

1. A Complete Tutorial on Time Series Modeling in R, www.analyticsvidhya.com/blog/2015/12/complete-tutorial-time-series-modeling/
2. Algoritmos de Machine Learning y cómo seleccionar el mejor, https://www.lis-solutions.es/blog/algoritmos-de-machine-learning-y-como-seleccionar-el-mejor1-3/
3. Cómo predecir consumos con algoritmos de Machine Learning, www.lis-solutions.es/blog/como-predecir-consumos-con-algoritmos-de-machine-learning/
4. Introducción a Series de Tiempo, John Villavicencio, enlace
5. Series de Tiempo en R, www.youtube.com/watch?v=BOCm-HgK7WQ
6. Series Temporales, www.youtube.com/watch?v=O0DLO0oWd5c
7. Step by step graphic guide to Forecasting through ARIMA modeling in R manufacturing case study example, ucanalytics.com/blogs/step-by-step-graphic-guide-to-forecasting-through-arima-modeling-in-r-manufacturing-case-study-example/
8. Using R for Time Series Analysis, a-little-book-of-r-for-time-series.readthedocs.io/en/latest/src/timeseries.html