¿Los cursos son en vivo o grabados?

Nuestros cursos son 100% en línea y puedes acceder a ellos en cualquier momento. Algunos incluyen clases en vivo para interactuar con el instructor y resolver dudas en tiempo real.

¿Obtengo un certificado al finalizar el curso?

Sí, al completar el curso y aprobar las evaluaciones recibirás un certificado digital que puedes descargar y compartir en tu CV o LinkedIn.

¿Necesito conocimientos previos para inscribirme?

Depende del curso. Muchos están diseñados para principiantes, mientras que otros requieren conocimientos básicos en la materia. En la página de cada curso encontrarás el nivel recomendado.

1_Pronósticos con Modelos ARIMA

Duración total: 6 semanas. 30 horas (4 módulos)

Modalidad: Teórico-práctica con desarrollo en Python
Nivel: Introductorio–intermedio

Días de clases

Lunes: 19:00 - 21:00

Miércoles: 19:00 - 21:00

Costo: 840 Bs

Comprar Curso

¿Esta Interesado?

Comprender los fundamentos de los modelos ARIMA y sus variantes.
Identificar, estimar y validar modelos ARIMA(p,d,q) y SARIMA con Python.
Aplicar técnicas de aprendizaje supervisado y modelos de machine learning a series temporales.
Comparar el desempeño predictivo de modelos tradicionales y modernos.
Automatizar procesos de pronóstico con buenas prácticas de programación.

Profesionales y técnicos en economía, finanzas, estadística, ingeniería, administración, entre otros.

Estudiantes de pregrado y posgrado con interés en análisis de datos y pronósticos.
Analistas de datos, científicos de datos y personal de instituciones públicas o privadas.
Investigadores que trabajen con series temporales y busquen fortalecer sus competencias en modelado y predicción.

Profesionales y empresas

Que buscan dominar herramientas de IA, automatización y analítica avanzada.

Estudiantes y egresados

Que desean actualizar sus conocimientos y acceder a oportunidades laborales.

Equipos corporativos

Que requieren formación estratégica para impulsar la transformación digital

Curso: Pronósticos con Modelos ARIMA y de Machine Learning con Python

Fundamentos de series temporales y análisis exploratorio

Introducción a las series temporales: conceptos clave (tendencia, estacionalidad, ruido, estacionariedad).
Visualización y descomposición de series temporales (aditiva y multiplicativa).
Análisis de autocorrelaciones (FAC y FAP).
Preparación de datos y tratamiento de valores atípicos.
Introducción a Python para series temporales: uso de pandas, matplotlib y statsmodels.

Modelado con ARIMA y SARIMA

Revisión de modelos AR, MA, ARMA y ARIMA.
Determinación de órdenes p, d, q con gráficos y criterios automáticos.
Estimación de modelos ARIMA en Python con statsmodels.
Validación y diagnóstico de residuos: autocorrelación, heterocedasticidad, normalidad.
Extensión a modelos SARIMA (estacionalidad).
Selección de modelos mediante AIC, BIC y validación fuera de muestra.
Pronósticos dentro y fuera de muestra con modelos ARIMA/SARIMA.

Machine learning supervisado aplicado a series temporales

Introducción a regresión supervisada y diferencia con modelos tradicionales.
Ingeniería de características para ML: rezagos, rolling windows, tendencias.
Implementación de regresiones lineales, Ridge y Lasso con scikit-learn.
Árboles de decisión y Random Forest para pronósticos.
Validación cruzada temporal (TimeSeriesSplit) y tuning de hiperparámetros.
Comparación de desempeño con ARIMA usando métricas: MAE, RMSE, MAPE, Theil’s U.

Modelos avanzados: XGBoost y Redes Neuronales

Introducción a boosting y árboles ensamblados: XGBoost y LightGBM.

Entrenamiento de modelos de xgboost para forecasting.
Introducción a redes neuronales recurrentes (RNN) y LSTM.
Implementación básica de modelos LSTM con keras y tensorflow.
Comparación práctica: ARIMA vs ML vs LSTM en un conjunto de datos reales.
Discusión de ventajas, limitaciones y buenas prácticas de modelado.

Resultados del curso

Al finalizar el curso, los participantes serán capaces de

Modelar series temporales financieras o macroeconómicas utilizando técnicas ARIMA, SARIMA y ARIMAX.

Generar pronósticos dentro y fuera de muestra y evaluar su precisión con métricas apropiadas.

Visualizar y comunicar resultados predictivos de forma clara y profesional en Python.

Diagnosticar y validar modelos mediante pruebas estadísticas e interpretación de residuos.

Aplicar algoritmos de machine learning supervisado (regresión, clasificación, árboles) a datos temporales.

Instructor del Curso

Antonio Murillo Reyes

Economista/Data Science.

Máster en Econometría (Univ. Torcuato Di Tella - Argentina), MBA en Administración de Empresas (UCB – Bolivia) y Posgrado en IA y Ciencia de Datos (UNC-Argentina). Especializado en análisis Macroeconómico y Modelación Econométrica. Fue Analista Senior en el Banco Central de Bolivia. Docente de postgrado en Econometría y Machine Learning en posgrados en Bolivia y Ecuador..

Metodología de Enseñanza

Aprendizaje práctico

Basamos nuestra enseñanza en proyectos reales que reflejan los desafíos cotidianos de las empresas

Plataformas interactivas

Utilizamos simuladores y herramientas digitales que facilitan la comprensión de conceptos complejos

Evaluación continua

Medimos constantemente el impacto para ajustar metodologías y optimizar resultados

Cursos relacionados

Curso: Introducción a las Finanzas Cuantitativas con Machine Learning

Duración: 8 semanas. 40 horas (5 módulos)

Aplicaciones de machine learning en servicios financieros (1).webp

Curso: Machine Learning Aplicado a las Finanzas Nivel Intermedio

Duración: 9 semanas. 45 horas (5 módulos)

Curso: Cálculo Multivariable Computacional para Ciencia de Datos

Duración total: 40 horas

Certificación

Diploma digital verificable a través del sistema de verificación de autenticidad.

Certificados extendidos por la Secretaría de Cultura y Extensión Instituto Deep Quantics Bolivia.

WhatsApp Image 2025-07-25 at 17.28.54.jpeg

PREGUNTAS FRECUENTES

Resuelve tus dudas al instante

¿Por que Deep Quantics?

Widget Didn’t Load

Check your internet and refresh this page.

If that doesn’t work, contact us.