- Видео 196
- Просмотров 523 891
Naren Castellon
Панама
Добавлен 1 апр 2014
Data Science, Machine Learning, Actuario, Matemático
Arima Time Series Forecasting con Streamlit
El forecast es una herramienta poderosa que ayuda a anticipar eventos futuros y tomar decisiones informadas en una amplia gama de campos, en esta ocasion emplearemos el Modelo ARIMA para realizar los pronostico y realizaremos una aplicacion con Streamlit para presentar los resultados.
Aprenderemos a:
1. Crear aplicacion con Streamlit
2. Definir funciones que nos ayude visualizar informacion
3. Crear diferentes paginas
4. Vincular las paginas para mostrar en la Apps
5. Cargar modelo Arima
Aprenderemos a:
1. Crear aplicacion con Streamlit
2. Definir funciones que nos ayude visualizar informacion
3. Crear diferentes paginas
4. Vincular las paginas para mostrar en la Apps
5. Cargar modelo Arima
Просмотров: 71
Видео
Machine learning Forecasting time series con Streamlit
Просмотров 31712 часов назад
En esta ocasión vamos a elaborar una aplicación con Streamlit para desplegar un modelo de Time Series Forecast con Machine Learning 1 Crear y cargar los datos 2. División de los datos en entrenamiento y prueba 3. Entrenar el modelo 4. Realizar predicciones 5. Crear la aplicación 6. Visualizar las predicciones en la app 7. Mostrar grafico de la tendencia de la serie y de los pronósticos
Regresion bayesiana Forecasting Time Series
Просмотров 460Месяц назад
En esta ocasión vamos hablar de los modelos de Regresion bayesiano para el forecasting de Series de tiempo, vamos a aprender a: 1. Entrenar modelo de Regresión Bayesiana Ridge 2. Entrenar modelo de Regresión Automatic Relevance Determination - ARD 3. Entrenar modelo de Regresión Lineal 4.. Realizaremos forecasting para ambos modelos 5. Evaluaremos modelos con Cross Validation 6. Modficaremos lo...
PySpark Time Series Forecasting con Prophet
Просмотров 2712 месяца назад
En esta ocasión vamos hablar sobre el forecasting de series de tiempo con PySpark y usaremos prophet para realizar el forecast en PySpark. Spark es una plataforma de procesamiento de datos en clúster altamente eficiente que está diseñada para manejar grandes volúmenes de datos a alta velocidad. Spark ofrece una amplia gama de capacidades, incluidas las operaciones en memoria, la paralelización ...
Forecasting Time Series Decisión Tree
Просмотров 4223 месяца назад
El forecasting con árbol de decisiones es una herramienta poderosa para tomar decisiones informadas y predecir resultados futuros basados en datos y probabilidades. Que vamos aprender: 1. Conceptos básicos de Árbol de decisión para regresión 2. Análisis exploratorio de datos 3. Entrenar modelo univariado 4. Entrenar modelo multivariado 5. Agregar mas regresores al modelo multivariado 6. Entrena...
Feature Engineering - Categorical Encoding
Просмотров 1753 месяца назад
El procesamiento de datos es una etapa crítica en el flujo de trabajo de Machine learning, y la codificación de variables categóricas juega un papel fundamental en la preparación de datos para modelos predictivos precisos. Las variables categóricas son aquellas que representan valores de etiquetas en lugar de valores numéricos. La codificación categórica es el proceso de convertir estas variabl...
Gaussian Processes Forecasting Time Series
Просмотров 2943 месяца назад
Los Procesos Gaussianos son un enfoque flexible y poderoso en el campo de los modelos probabilísticos para pronósticos. En lugar de predecir un solo valor, los GP modelan toda una distribución de posibles resultados, lo que proporciona no solo una predicción puntual sino también una medida de incertidumbre asociada. Esto los hace ideales para pronósticos en los que se necesita tener en cuenta l...
Machine Learning Time Series Forecasting MLFLOW
Просмотров 3123 месяца назад
En esta ocasión vamos aprender a entrenar un modelo de Machine Learning para series de tiempo y luego usaremos MLFLOW para llevarlo a producción: 1. Formularemos un caso de estudio 2. Entrenaremos el modelo XGBoost 3. Entrenaremos el modelo XGBoost con MLFLOW y optuna 4. Entrenaremos el modelo LightGBM con MLFLOW y optuna 5. Comparemos resultado con MLFLOW
Sarimax Forecasting Time Series
Просмотров 7043 месяца назад
En esta ocasión vamos hablar del Modelo Sarimax. El modelo SARIMAX es una extensión del modelo ARIMA que incorpora componentes estacionales y variables exógenas, vamos aprender a: 1. El significado del Modelo Sarimax 2. Construir un Modelo Sarima 3. Construir un Modelo Sarimax con una variable exogena 4. Construir un Modelo Sarimax con varias variables exógenas 5. Evaluación de cada Modelo.
Introducción al modelo ARIMA
Просмотров 1,8 тыс.4 месяца назад
En esta ocasión vamos hablar sobre el modelo ARIMA, vamos aprender sobre: 1. El significado de los términos del modelo ARIMA 2. Que es el Modelo AR y el Modelo MA 3. Que es una series estacionaria 4. Encontrar el orden de diferenciación 5. Prueba de Estacionariedad 6. Encontrar el orden del termino AR y MA 7. Construir diferentes modelo ARIMA 8. Construir un Modelo ARIMA con AutoARIMA 9. Constr...
Cadena de Markov Machine Learning Forecasting Time Series
Просмотров 1,1 тыс.5 месяцев назад
La cadena de Markov es un modelo estocástico que describe una secuencia de eventos donde la probabilidad de que ocurra un evento futuro depende solo del evento actual y no de los eventos anteriores. la integración de la cadena de Markov, el Machine Learning y el forecasting de series temporales permite desarrollar modelos predictivos avanzados que pueden ser aplicados en una amplia gama de esce...
Simulation Monte Carlo
Просмотров 8785 месяцев назад
En un mundo lleno de incertidumbre y variabilidad, la Simulación de Monte Carlo brinda una herramienta invaluable para tomar decisiones informadas y anticipar resultados en condiciones impredecibles. Su versatilidad y aplicabilidad en una amplia gama de campos la convierten en un pilar fundamental en la caja de herramientas de los analistas y modeladores modernos. Vamos aprender a: 1. Crear Sim...
Time Series Anomaly Isolation Forest
Просмотров 3335 месяцев назад
Isolation Forest es una técnica de detección de anomalías no supervisada que se destaca en la identificación de valores atípicos dentro de los datos, lo que la hace adecuada para el análisis de series temporales. Funciona bajo el supuesto de que las anomalías (puntos de datos inusuales) tienden a ser raras y distintas de la mayoría de los datos. Esto permite que el algoritmo las aísle de manera...
MLFlow Prophet Forecasting Time Series
Просмотров 6215 месяцев назад
La integración de Prophet con MLflow, una plataforma de código abierto para administrar el ciclo de vida de los modelos de aprendizaje automático, proporciona una solución poderosa para el seguimiento, gestión y reproducción de los modelos de Prophet. MLflow facilita la experimentación, el seguimiento de métricas y la implementación de modelos de Prophet en producción de manera eficiente y esca...
WordCloud Machine learning time series Forecasting
Просмотров 1795 месяцев назад
WordCloud Machine learning time series Forecasting
Forecasting Time Series Sentiment Analysis
Просмотров 3445 месяцев назад
Forecasting Time Series Sentiment Analysis
Informer Time Series Forecasting Model
Просмотров 3875 месяцев назад
Informer Time Series Forecasting Model
End to End Deploy Machine learning model Time Series usando Flask
Просмотров 7676 месяцев назад
End to End Deploy Machine learning model Time Series usando Flask
Relaxing music - The perfect harmony of watching the rain fall
Просмотров 586 месяцев назад
Relaxing music - The perfect harmony of watching the rain fall
02 - Conexión de PostgreSQL con Visual Code
Просмотров 4276 месяцев назад
02 - Conexión de PostgreSQL con Visual Code
Databricks Time Series Forecasting Machine Learning
Просмотров 6946 месяцев назад
Databricks Time Series Forecasting Machine Learning
Excelente aporte!!
¡Gracias, si puedes comparte... Saludos 💪💪
me gusto el gallo que canta, como se llama?
Está protegido por derecho de Autor... Saludos 💪
se escucha regular con la musica
Gracias, saludos 💪
Excelente como siempre, muy bien explicado 👊
Gracias. Saludos 💪
Genial! Muchas gracias!!!!
Gracias, si puede comparte ... Saludos 💪💪
Muy buen contenido y repositorio!!
@@mrryanoficial Gracias, si puedes comparte... Saludos 💪
Excelente este material, me ha gustado... Muy bien explicado... Saludos 👊
Gracias por eso comentarios... Saludos 💪
Excelente podrias compartir el repositorio, gracias 😅
Lo podes encontrar en github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%20400.%20Streamlit%20aplicacion%20ML%20forecasting%20time%20series.ipynb Si puedes comparte!!?
Hola, de antemano Gracias, donde encuentro el repositorio que mencionaste ?, saludos
@@nelsonjulianospinacardona @narencastellon lo podés encontrar en mi github.. si puede comparte... Saludos 💪
github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%20400.%20Streamlit%20aplicacion%20ML%20forecasting%20time%20series.ipynb
@@narencastellonmuchas gracias
hola! Si te fijas bien al final el Sarima es muy malo. Porque te da una tendencia lineal en todo. Seguro si te fijas en los datos no precie la realidad. Podrías explicar esto en un video siguiente y cómo solucionarlo? Saludos y gracias
Hay que hacer varias consideraciones al respecto 1. El modelo aprende bien de los datos de entrenamiento, pero con los datos de prueba no, y eso es bastante normal en la mayoría de los modelos. 2. Quizás ambos modelos no son los correctos para los datos, aunque métrica funciona bastante bien. 3. A los mejor los modelos requieren de variables exógenas, para capturar mejor las tendencias, ciclos, estacionalidades etc etc. 4. Hacer predicciones con horizonte muy largo los modelos tienden a sobre ajustarse. 5. Hay que probar otros modelos como ML o más robusto. 6. El falta de mejora en los datos quizás falte un procesamiento más. 7. Este ejemplo es meramente didáctico, sirve para entender como podemos aplicar o llevar acabo la modelación.
@ gracias por la aclaración! Podrías hacer un video de cuando pasan esto ? Me paso y tuve que ir por otro modelo , Saludos!
ruclips.net/video/HJ8yYAOcymg/видео.html ruclips.net/video/7YRzsjCglXk/видео.html
Gracias por este contenidooooo
Gracias saludos 💪
Saludos amigo feliz año, suerte en todos tus proyectos
¡Igualmente, gracias! 💪
¡Increíble! Qué explicación tan detallada. Felicitaciones Naren, eres un experto en machine learning, especialmente en este modelo estadístico autoregresivo. Me gustaría consultarte sobre el RUIDO BLANCO: ¿qué es?, ¿cómo se mide?, ¿qué papel juega en el modelo?, y ¿cómo influye en las predicciones? Muchas gracias de antemano y mucho éxito en tus proyectos 🚀👍
El "ruido blanco" es una secuencia de valores aleatorios que tiene una media constante, varianza constante y ninguna autocorrelación en el tiempo. Esto significa que cada valor en la serie es independiente de los valores anteriores y futuros, y la variabilidad de los valores es constante a lo largo del tiempo. Características del Ruido Blanco 1. Media Cero: La media de los valores del ruido blanco es cero. 2. Varianza Constante: La variación de los valores del ruido blanco es constante en el tiempo. 3. Independencia: No hay compensación entre los valores en diferentes puntos del tiempo.
Tienes el cuaderno?
Hola @lcastagnino te de comparto:github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%2011.4%20Sarimax%20Model.restaurant-visitors-forecast-with-sarimax.ipynb
¡Gracias!
Gracias por tu aporte, será bien utilizado para crear mas contenido..., Si puedes compartir, Saludos... Te dejo el enlace del cuaderno : github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%2011.4%20Sarimax%20Model.restaurant-visitors-forecast-with-sarimax.ipynb
Wow! que gran explicación. Enhorabuena Naren, eres un crack en machine learning, y sobretodo con este modelo estadístico autoregresivo de la familia ARIMA. Quería preguntarte por el RUIDO BLANCO, qué es, cómo se cuantifica, qué representa en el modelo, cómo afecta al pronóstico. Y finalmente preguntarte por la diferenciación con logaritmo natural de cada dato. Desde ya muchas gracias y mucho éxito 🚀👍
Gracias, me alegra que te haya gustado! 💪
Felicitaciones Naren. Esta Introducción es un excelente aporte a entender mejor la Ciencia de Datos. Muchas Gracias. Como aporte de valor quisiera agregar lo siguiente; acerca de los modelos de pronóstico: 1. Permiten reducir la incertidumbre sobre el futuro y estructurar planes y acciones. 2. Ayudan a tomar decisiones para el crecimiento de cualquier organización. 3. Permiten anticipar tendencias. 4. Evaluación de desempeño, detección de desviaciones y acciones correctivas. 5. Cuantificar un impacto potencial y desarrollar estrategias de mitigación efectivas.
¡Gracias! 👏👏👏 Me alegra que te haya sido útil. Si puedes comparte... Saludos 💪💪
Excelente material, saludos 👊
Gracias, si puedes comparte 💪
¡Gracias!
Gracias May 😚
¿Es posible compartas el código? gracias
Si lo podes encontrar en mi repositorio : github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning cuando entres me dejas tu apoyo con una estrella en repositorio,... si puedes comparte el video ... Saludos
Excelente video !.
@@FERNANDOAMBRIZBARRERA gracias.... Si puedes comparte... Saludos 💪💪
Hola, excelente contenido. Crees que puedas compartir el Jupyter?
Hola !!! Lo podes encontrar en mi repositorio: github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%2010.1.Introducció%20a%20Modelos_Arima.ipynb Si podes compartir.., Saludos 💪
¡Gracias!
¡Gracias!
¡Gracias!
¡Gracias!
¡Gracias!
Excelente como siempre!!
Gracias 💪
¡Gracias!
Si puedes comparte 💪
¡Gracias!
Gracias! 💪
¡Gracias!
Gracias 😊
gracias por compartir. Y además del peso para cada región disjunta. ¿Se podría mostrar en otro diagrama de venn los elementos? gracias.
Si querés podés ver todo el video para ver los pesos de cada región, y si claro.que puedes mostrar en otro diagrama saludos!!!💪
Gracias :)
Gracias, si puedes comparte x fa... Saludos 🤗😍
¡Qué interesante video! Me encanta cómo explican la importancia de elegir el conjunto de datos correcto. Una vez intenté usar kros-vali... ¿cómo se llama? , y fue un lío. Estoy aprendiendo en CodigoHeroe en mis ratos libres, ¡y me está gustando mucho!
Gracias, sí, la k-fold cross validation es clave... Saludos 💪💪
Hello do you have a link for the .ipynb?
Hey bro you can find it at:github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%20200.2.%20Comparando%20LSTM%20vs%20NeuralProphet.ipynb If you can, share with your friends and colleagues... Greetings 💪💪💪
Excelente material!!?
Gracias!
Muchísimas gracias! me ayudaste un montón con mi trabajo de la facultad !!
Hey gracias... saludos 💪💪... Si puedes comparte
excelente, podrias recomendar algun libro que trate del tema y su impacto con el modelo a implementar?
Por ahora no se de algún libro que hable exactamente de esos... Podés buscar en algún libro de Feature engineer... Saludos 💪💪 si puedes comparte
Muchas gracias Naren
Hey gracias... Si puede comparte... Saludos 💪
esto usa PCA?
Si querés podés usar paca... Sería bueno que vea todo completo el vídeo!!! Saludos 💪
Muchas gracias Naren
Saludos 💪
Muchas gracias Naren
Hey!!! Saludos 💪💪 Si puedes comparte..!!!
Hola Naren estoy realizando un codgo en python sobre esto existe alguna posibilidad de tener una reunion por zoom para que me puedas guiar porfavor
Hola cómo estás? Si claro te dejo mi correo, jansnica@gmail.com
Buen aporte. Gracias por compartir
Gracias, si puedes comparte... Saludos 💪💪
Buenas tengo una duda espero pueda ayudarme, aplique prophet para un df de 5 años divididos en dias, obtuve un r2 de 30%, intento hacerlo dividiendo el df en semanas, de manera que agrupo los dias utilizando el promedio, finalmente obtengo un r2 negativo que puedo hacer?
1.Puedes agrupar para sumar las fechas que tienes igual o que se repiten o que estén duplicado. 2. Lo mejor es hacer un resampling, sumar por promedio no es recomendable. Si tus registros están por días, entonces puede hacerlo semanal o mensual. 3. Agregar regresores 4. Normalizar o estandarizar 5. Agregar cómo regresores lags o promedios móviles. 6. Probar otra métrica. 7. Es bueno que entren otros modelos y puedas comparar el resultado. 8. Hacer una buena división de datos, en los datos que incluya valores del train para que pueda ver cómo el modelo aprende de esos valores al momento del forecasting. Saludos... Si puede comparte... Estamos iniciando una especialización en forecasting Puedes inscribirte todavía forecastlatam.com/especializacion-en-forecasting/
Considero que tu modelo no captura las tendencias adecuadamente. Hasta donde se Prophet tiene parámetros como el intervalo de incertidumbre (interval_width) y las capacidades de ajuste de estacionalidad que pueden no estar configurados correctamente para tus datos. Deberías probar con otros valores
Hola Naren excelentr
Gracias!!! Saludos 💪
hola, muchas gracias por el aporte, está excelente, podrías pasarme el link del notebook por favor? ya que el link inicial sale error
Está en mi repositorio ahí puede encontrarlo, narencastellon
TIenes el github con el codigo? Gracias
Hey brou gracias por comentar...podés encontrarlo en: github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%2047.1.%20Lightgbm-Cerveja.ipynb Saludos, si puedes comparte 💪💪
Buenas tardes estimado Nareen cómo puedo contactarte?
Hola cómo estás? Por el mail: jansnica@gmail.com Mi WhatsApp: +50762801526