Ejemplos y Tutoriales

Ejemplos prácticos y tutoriales para ayudarte a entender y aplicar skforecast. También puedes encontrar todo este material gratuito en Forecasting con Python.

English Español 中文

Buscar ejemplos

Nivel

Principiante Intermedio Avanzado

Tema

Serie única Modelos globales Modelos estadísticos Deep learning Modelos fundacionales Probabilístico Interpretabilidad Ingeniería de variables Detección de anomalías Rendimiento Caso práctico Herramientas

Mostrando los 28 ejemplos

Primeros Pasos: Forecasting Fundamental

Esta sección proporciona tutoriales esenciales para los usuarios que están comenzando con el pronóstico de series temporales. Estos ejemplos cubren los modelos y técnicas más fundamentales para ayudarte a construir una base sólida en forecasting.

• Skforecast: forecasting series temporales con machine learning

  Construye tu primer forecaster con machine learning, desde los lags hasta el backtesting.

  PrincipianteSerie única

• Forecasting agéntico con skforecast-AI

  Un asistente de IA que perfila la serie, elige y valida un modelo, y devuelve el script de skforecast que genera la predicción.

  IntermedioHerramientas

• Modelos ARIMA y SARIMAX

  Ajusta, optimiza y valida modelos ARIMA y SARIMAX, incluyendo la selección automática del orden.

  PrincipianteModelos estadísticos

• Forecasting con gradient boosting: XGBoost, LightGBM y CatBoost

  Compara las tres principales librerías de gradient boosting sobre el mismo problema de forecasting.

  PrincipianteSerie única

Modelos Globales: Forecasting Multi-Serie

Estos tutoriales se centran en modelos globales y en el pronóstico de series múltiples, donde puedes explorar el uso de técnicas que manejan varias series temporales simultáneamente y comparar el rendimiento entre diferentes enfoques de forecasting.

• Modelos de Forecasting Globales I: Multi-series forecasting

  Entrena un único modelo con muchas series a la vez y predícelas todas.

  IntermedioModelos globales

• Modelos de Forecasting Globales II: Análisis comparativo de modelos de una y múltiples series

  ¿Cuándo supera un modelo global a un modelo por serie? Una comparación directa.

  IntermedioModelos globales

• Modelos de Forecasting Globales III: Predecir mil series temporales con un único modelo

  Escala a miles de series manteniendo bajo control el tiempo de entrenamiento y la memoria.

  AvanzadoModelos globalesRendimiento

• Modelos de Forecasting Globales IV: Guía paso a paso con Kaggle sticker sales

  Recorrido completo de una competición de forecasting de Kaggle con un modelo global.

  IntermedioModelos globalesCaso práctico

• Modelos de Forecasting Globales V: La competición M5 Accuracy

  Lo que las soluciones ganadoras del M5 enseñan sobre los modelos globales (artículo en inglés).

  AvanzadoModelos globalesCaso práctico

• Forecasting con deep learning

  Forecasters RNN y LSTM con ForecasterRnn, desde la arquitectura hasta las predicciones.

  IntermedioModelos globalesDeep learning

• Clustering de series temporales para mejorar los modelos de forecasting

  Agrupa primero las series similares y ajusta después un modelo global por grupo.

  AvanzadoModelos globalesIngeniería de variables

Técnicas Avanzadas: Más Allá de los Modelos Básicos

Para usuarios experimentados que buscan profundizar en sus habilidades de forecasting, esta sección ofrece técnicas avanzadas, como forecasting probabilístico y manejo de valores ausentes.

• Forecasting con modelos fundacionales

  Forecasting zero-shot con modelos preentrenados como Chronos, TimesFM y Moirai.

  IntermedioModelos fundacionales

• Forecasting probabilístico con machine learning

  Intervalos y cuantiles de predicción con bootstrapping, métodos conformales y regresión cuantílica.

  AvanzadoProbabilístico

• Forecasting probabilístico: intervalos de predicción para forecasting multi-step

  Intervalos de predicción en horizontes multi-step, equilibrando cobertura y anchura del intervalo.

  AvanzadoProbabilístico

• Interpretabilidad en modelos de forecasting

  Explica qué determina una predicción con importancia de variables y valores SHAP.

  IntermedioInterpretabilidad

• Modelar series temporales con tendencia utilizando modelos de árboles

  Por qué los árboles no extrapolan la tendencia, y cómo la diferenciación lo resuelve.

  IntermedioSerie únicaIngeniería de variables

• Forecasting de series incompletas con valores faltantes

  Estrategias para huecos y NaNs, desde la imputación hasta estimadores tolerantes a NaN.

  IntermedioIngeniería de variables

• Stacking ensemble de modelos para mejorar el forecasting

  Combina varios forecasters en un meta-modelo que supera a cada uno por separado.

  AvanzadoSerie única

• Detección de anomalías en series temporales

  Usa los errores de predicción y los intervalos para señalar observaciones anómalas.

  AvanzadoDetección de anomalías

• Data leakage en modelos de forecasting preentrenados

  Cómo los datos de preentrenamiento contaminan un benchmark zero-shot, y cómo detectarlo.

  AvanzadoModelos fundacionales

• Acelerar modelos de forecasting con GPU

  Lleva el entrenamiento del gradient boosting a la GPU y mide lo que realmente ganas.

  AvanzadoRendimiento

• Forecasting con XGBoost

  Guía centrada en el uso de XGBoost como estimador dentro de un forecaster.

  IntermedioSerie única

• Forecasting con LightGBM

  Guía centrada en el uso de LightGBM como estimador dentro de un forecaster.

  IntermedioSerie única

Desafíos del Mundo Real y Estudios de Caso

Esta sección incluye aplicaciones del mundo real del pronóstico de series temporales para abordar desafíos específicos, como el pronóstico de la demanda de energía, el tráfico web e incluso los precios de criptomonedas. Aprende cómo aplicar técnicas de forecasting a casos prácticos.

• Forecasting de la demanda eléctrica

  Demanda eléctrica horaria con variables exógenas de calendario y meteorología.

  IntermedioCaso práctico

• Forecasting de las visitas a una página web

  Visitas diarias a una web, con estacionalidad semanal y eventos especiales.

  IntermedioCaso práctico

• Predicción de demanda intermitente

  Forecasting de series dispersas que son cero la mayor parte del tiempo.

  AvanzadoCaso práctico

• Reducir el impacto del Covid en modelos de forecasting

  Reduce el peso o excluye periodos anómalos con forecasting ponderado.

  IntermedioIngeniería de variablesCaso práctico

• Predicción del precio de Bitcoin con Python

  Un caso práctico con criptomonedas, y una mirada honesta a sus límites.

  PrincipianteCaso práctico