![Naren Castellon](/img/default-banner.jpg)
- 169
- 466 512
Naren Castellon
Panama
Registrace 1. 04. 2014
Data Science, Machine Learning, Actuario, Matemático
02 - Conexión de PostgreSQL con Visual Code
Bienvenido al Curso de aprendizaje con el motor de base de datos #PostgreSQL para #DataScience, en esta ocasión vamos aprender a conectar el motor de bases de datos con Visual Code
zhlédnutí: 55
Video
Databricks Time Series Forecasting Machine Learning
zhlédnutí 226Před 9 hodinami
Esta ocasión vamos hablar sobre Forecasting de Series de tiempo con Machine learning Pipeline usando Databricks, que vamos a aprender: 1. Crear Cluster en Databricks 2. Instalar librerías en Databricks 3. Construir Modelos con Pipeline para machine learning 4. Entrenar diferentes modelos XGBoost y Random Forest 5. Evaluar Modelos con Cross validation 6. Ver resultado algunos con MLFlow
Polars Time Series Analysis
zhlédnutí 261Před 12 hodinami
Polars tiene soporte nativo para analizar datos de series temporales y realizar operaciones más sofisticadas, como agrupación temporal y remuestreo, que aprenderemos: 1. Cargar datos con polars 2. Convertir variable de tiempo a formato de fecha 3. Filtrado de fechas 4. Resampling 5. Promedio Móvil 6. Diferenciando series con Polars 7. Lags con Polars 8. Graficando con datos de Polar a Pandas 9....
XGBoost Forecasting Time Series
zhlédnutí 280Před 21 hodinou
En esta ocasión vamos a hablar del Modelo #XGBoost para #Forecasting de #TimeSeries, vamos aprender a: 1. Modelar con MLForecast 2. Entrenar el modelo XGBoost 3. Realizar Forecasting 4. Evaluar modelo con #Crossvalidation 5. Hyperameters con #Optuna
01 - Descarga e Instalación de PostgresSQL
zhlédnutí 168Před dnem
Bienvenido al Curso de aprendizaje con el motor de bases de datos PostgreSQL para Data Sciences , en esta ocasión vamos aprender a instalar PostgreSQL.
VAR Model Forecasting Time Series
zhlédnutí 295Před 14 dny
En esta ocasión vamos a hablar sobre el Modelo Vector Autoregresivo, vamos a aprender a: 1. Analizar si la series es estacionaria 2. Encontrar el valor optimo del autoregresivo 3. Entrenar el un modelo con Maxlags optimo 4. Realizar Forecasting 5. Análisis de respuesta de impulso (IRF) 6. Descomposición de la varianza del Error (FEVD) 7. Pruebas Estadísticas (causal de Granger, Normalidad) 8. E...
LSTM vs NeuralProphet Forecasting Time Series
zhlédnutí 205Před 14 dny
En esta ocasión vamos a realizar una comparación de dos modelos de Redes neurales con 2 librerías diferentes para realizar #Forecasting de #timeseries 1. #LSTM de #NeuralForecast por #Nixtla 2. #NeuralProphet de Meta Vamos a entrenar cada modelo y luego vamos a compararlo con diferentes métricas cada uno, la comparación será "Zero-Shot Learning", Modelos sin muchos parámetros para ambos casos.
SVR Multivariate Time Series Forecasting
zhlédnutí 165Před 21 dnem
En esta ocasión vamos hablar sobre el Modelo Support Vector Regression SVR. Utilizaremos el modelo SVR para realizar Forecasting para múltiples series temporales con variables exógenas, que aprenderemos 1. Vamos a construir el modelo con MLForecast 2. Vamos a entrenar el modelo con variables exógenas 3. Realizar Forecasting 4. Realizar Cross validation 5. Evaluar modelo con diferentes métricas
Forecasting Price Bitcoin Multivariate AutoArima
zhlédnutí 171Před 21 dnem
En esta ocasión vamos a hablar sobre el #forecasting del precio del #bitcoin aplicando un modelo #Arima #multivariado, vamos a aprender a: 1. Cargar datos de yfinance 2. Graficos financieros (Candlestick, OHLC) 3. Realizar indicadores tecnicos 4. Construir modelo AutoArima con #StatsForecast 5. Realizar Forecasting 6. Evaluar modelo con #crossvalidation 7. comparar modelo #AutoArima con modelos...
KNN Multi Time Series Forecasting
zhlédnutí 274Před 28 dny
En esta ocasión vamos a hablar sobre el modelo KNN para regresión para el forecasting con series de tiempo, veremos 1. Como construir un Modelo con #MLForecast 2. Como entrenar el Modelo KNN 3. Como realizar #Forecasting 4. Evaluar el Modelo con #CrossValidation 5. Encontrar Hiperparametros con #optuna
How to Remove the Background from Images
zhlédnutí 125Před měsícem
En esta ocasión vamos a aprende a como eliminar el fondo de una imagen de manera sencilla usando 1. La función Remove y 2. La función CV2.
Forecasting Time Series Kolmogorov Arnold Network: KAN
zhlédnutí 259Před měsícem
Veamos un corto de como realizar un Forecasting con KAN: Kolmogorov Arnold Network usando la librería #Sktime
NeuralProphet Time Series Forecasting
zhlédnutí 402Před měsícem
En esta ocasión vamos hablar sobre el método #NeuralProphet, vamos a aprender a: 1. Realizar un modelo base 2. Realizar un modelo con Autoregresion con parámetros lags 3. Crear un modelo con estacionalidades 4. Crear un modelo con variables exógenas 5. Vamos a evaluar los modelos con diferentes métricas
Time Series Forecasting Prophet
zhlédnutí 257Před měsícem
En esta ocasión vamos hablar del modelo #Prophet univariado, aprenderemos a: 1. Entrenar un modelo 2. Realizar #Forecasting 3. Agregar puntos de cambio 4. Encontrar Hiperparametros 5. Cross Validation
LightGBM Time Series Forecasting
zhlédnutí 271Před měsícem
En esta ocasión vamos hablar sobre el modelo #LightGBM para modelo de #regresión para el #Forecasting de #TimeSeries.
Multiple Time Series LSTM Prophet TBATS
zhlédnutí 222Před měsícem
Multiple Time Series LSTM Prophet TBATS
Machine Learning Pipeline for Time Series with Optuna
zhlédnutí 341Před měsícem
Machine Learning Pipeline for Time Series with Optuna
Multivariate time series analysis ARIMA model
zhlédnutí 460Před měsícem
Multivariate time series analysis ARIMA model
Time Series Forecasting Machine Learning
zhlédnutí 724Před měsícem
Time Series Forecasting Machine Learning
Modelo de Regresión lineal con series de tiempo
zhlédnutí 399Před měsícem
Modelo de Regresión lineal con series de tiempo
Time Series Forecasting MlForecast & XGBoost
zhlédnutí 1,3KPřed rokem
Time Series Forecasting MlForecast & XGBoost
Modelo GARCH vs Modelo XGBoost con Python.
zhlédnutí 1,1KPřed rokem
Modelo GARCH vs Modelo XGBoost con Python.
Análisis de serie de tiempo y programación lineal con Python
zhlédnutí 732Před rokem
Análisis de serie de tiempo y programación lineal con Python
Modelo Serie de tiempo con #Pipeline utilizando #EvalML con #Python
zhlédnutí 208Před rokem
Modelo Serie de tiempo con #Pipeline utilizando #EvalML con #Python
Manipulación de Datos con Polars en python.
zhlédnutí 2,7KPřed rokem
Manipulación de Datos con Polars en python.
¿Comó descomponer una serie de tiempo y porqué? en Pyhton
zhlédnutí 1KPřed rokem
¿Comó descomponer una serie de tiempo y porqué? en Pyhton
Excelente! gracias. Donde podemos encontrar el codigo?
Saludos!!! Gracias por el comentario Puedes encontrarlo en mi repositorio.... Si puedes comparte 💪💪
Genio !
Gracias!!! Si puedes comparte!!! Saludos 💪💪
Excelente aporte
Gracias!!! Si puedes comparte 😍😍
Interesante este tuto!!!
Gracias!! Si puedes comparte
Esta Genial!
Gracias por el comentario!!! Si puedes compártelo!!!
@@narencastellon Claro que si
Buen tuto ;)
Gracias!! Si puedes comparte!!! Saludos 💪💪
@@narencastellon Lo puse en mi mastodon y twitter
Muchas gracias!!!
Tengo una consulta, tengo una base de datos, 30 sujetos, con diferentes variables evaluadas (edad-puntaje de una prueba-edad,etc) Cómo se aplica la t-student a estas variables? Osea, cómo me lo puedo plantear para entenderlo. Agradecería su ayuda :)
La prueba t de Student es una prueba estadística que se utiliza para comparar las medias de dos grupos independientes y determinar si existen diferencias significativas entre ellos. Sin embargo, en tu caso, mencionas que tienes una base de datos con múltiples variables evaluadas en 30 sujetos. Para aplicar la prueba t de Student a estas variables, necesitarás tener dos grupos distintos o condiciones que quieras comparar para cada variable..
@@narencastellon en este caso, aplica tener hombre/mujer como condición de dos grupos distintos? Gracias por responder ♥️
Al utilizar autoregresores ¿como le hago para que me de Forecast a futuro? ya que modelo solo se entrena con lags pero no me da información a futuro..
1. quitar el parametro rezagados, 2. agregarlos de forma manual como variables exógenas 3. Cree un dataframe nuevo con las fechas que desea pronosticar, puede usar la función data_range de pandas. 4. concatenar con tu regreso = pd.concat(df, df_nuevo 5. Crea un make_future_dataframe, y agregale el parámetro regresor_df el regresor 6. realizar el m.predict(df_future) 7. Funciona bien, yo ya lo hice 8. Saludos y comparte el vídeo.
si tengo los datos de una nueva variable, cómo lo pruebo en el metodo? es decir el lineal da los coheficientes de la ecuacion, pero y el cuadratico?
Si tienes los datos de una nueva variable debes agregarlo a tus datos de entrenamiento o si lo vas usar con los datos de prueba o crear unos nuevos datos de prueba para evaluar o pronosticar con el modelo... Si puedes comparte... Saludos!!!
Entendido, muchas gracias 😘
🤗
Estimado profesor, podria compartir su archivo, por favor. Le busqué en github, pero no está este archivo al parecer.
Hola gracias por comentar... ya esta en mi repositorio ... si entras me dejas en star por fin... gracias.. si puedes comparte el video!!! Saludos
Muy buen video... me a servido mucho este tutorial!!
Gracias, saludos
Como sería para proyectar datos fuera de muestra
Excelente pregunta... En este caso yo realice el forecasting con los datos de prueba.. si quieres hacer otros forecasting debería de tener esa información de las variables en otro DataFrame, y luego con eso datos realizar el forecasting... Saludos... Si puedes comparte!!! 💪💪
Muy buen video , gracias . Crees que si la serie no fuera estacionaria , ni tampoco con tan clara estacionalidad , neural profet seria mejor que LSMT ? Se le pueden agregar datos para que la serie tome en cuenta con neural profet como seria porcentaje de ads publicados contra vendidos por cada hora , ciudad , idioma , etc , es decir , mas variables para tomar en cuenta para sus predicciones ?
Gracias por comentar... Si claro, creo que puede ser mejor que LSTM... Neuralprophet puede agregarle variables exógenas y ademas de eso, puedes agregarle una cantidad de parámetros que capturan la estacionalidad ver(czcams.com/video/nZDbI6zSmjE/video.html)... En estos tipo de series temporales no es necesario que la serie de tiempo sea estacionaria, seria suerte si la serie tal cual como venga lo es, pero tampoco es necesario hacerla estacionaria, por los modelo que se están usando, estos modelos no requieren que la serie lo sea, ademas trabajan con datos lineales y no lineales y que ademas no son estacionario, obviamente la estacionariedad puede ayudar a que la serie temporal el modelo aprenda mejor, pero no es un requisito como los modelos arima o autoregresivo que la serie deban de ser estacionaria... Saludos.. si puedes comparte!!!
@@narencastellon Voy a ver el video y compartir tus videos con la gente que conozco. 👍
@@EduardoMarck-jo6mt gracias.., saludos 💪
Hola buenas tardes, excelente video! Cree que pueda hacer un video sobre forecasting espacio-temporal?
Gracias por el comentario... Ah qué te refieres con espacio tiempo?!!
gran video, lo intentaré
Gracias!!! Si puedes compartelo!!! Saludos 💪
Excelente video!! muy explicativo, podrias subir o compartir codigo que hiciste en este video
Puedes buscarlo en mi repositorio Saludos!! Comparte si puedes!!! 💪💪
Excellente mister
Gracias... Saludos 💪
Serias tan amable de compartir ese cuaderno por favor te lo agradeceré bastante
Si claro... en mi repositorio puede encontrarlo... Si puedes comparte el video... y si pasas por mi GitHub me colaboras un start por fis!!! Saludos github.com/narencastellon/Python
Gracias por compartir, una duda ¿De qué módulo sacas windows_ops?
Puedes encontrar en este respositorio como instalar, y las variantes... si puedes comparte y github.com/jmoralez/window_ops
Que buena info no has considerado hacer un Bootcam ?
Lánzare una especialización en Forecasting, con clases en vivo, 100% prácticos con muchos casos de estudios!!! Ya pronto!!! Saludos... Si puedes comparte el vídeo!!!
Excelente video mi buen naren, estuve revisando tu github para buscar este repositorio pero no lo encontré
Aún no subo todo!!!
Hola, gracias por el video, estoy intentando reproducir el código pero la predicción me resulta muy diferente, ya he cambiado capas, redes y el horizonte y el pronostico da la apariciencia de estar suavizado. De antemano agradezco tu tiempo. Saludos
Trabajaste con todos los datos o lo has dividido? Que raro, porque el modelo no lleva nada aleatorio. Déjame revisar de nuevo... Tienes las versión 0.30 de sktime? Que versión tienes instalado?
@@narencastellon , los datos como tú hiciste el split y la versión de sktime es 0.29.1
@@narencastellon 0.29.1, los datos están segmentados como en tu video
@@narencastellon la segmentación es la misma y el versión es 0.29.1
@@narencastellon usé la version 0.29.1 y la actualicé a la 0.30, pero continuo con el mismo detalle. uso los datos tal cual se muestra en el video
Naren lo Dicho, eres un-Master Hermano. Te fajaste con este video me gusto muchisismo
Gracias Victor!! Si puedes comparte!! Saludos 💪💪
Excelente video! Podrías compartir la documentación de la librería y el notebook usado en el video! saludo like y comparto!
🎉Esmi. Papá,
Bello 😍
Amigo, una sugerencia. Podrías comparar los diferente tipos de lstm para hacer forecasting
El KAN no es un modelo de LSTM, (La red Kolmogorov-Arnold (KAN) es un tipo nuevo y prometedor de arquitectura de red neuronal que ofrece varias ventajas sobre los perceptrones multicapa (MLP) tradicionales.) pero se puede hacer las comparaciones, aun la función KAN se están haciendo mas pruebas para que pueda ser mas eficiente, rápida y con mejor precisión.
@@narencastellon te agradezco por la retroalimentación. Comentaba sobre lo de lstm porque hace un par de semanas subiste un video donde comparabas un tipo de lstm(si no mal recuerdo era un univariado - multistep) vs un modelo de facebook y otro estadístico, en la que concluiste que la lstm era la mejor opción.
Por lo que considero que sería interesante que se compare entre los tipos de lstm para conocer cual es la mejor opción, solo es una sugerencia. Saludos de Ecuador
@@jeanvillamar485jf Con cual otro lstm te gustaría que se comprara? yo solo conozco uno que es el que menciona, por eso te respondí la vez pasada con cual modelo? si te refieres al Modelo KAN, este modelo no tiene una estructura de LSTM... Saludos... si puedes comparte
@@narencastellon Claro, la LSTM podría tener múltiples valores de entrada y salida, es decir, un enfoque multivariado y multistep. Además, entiendo que con la librería Facebook Prophet se pueden utilizar otros valores de entrada, como los feriados. En conclusión, sería interesante observar cómo se comporta el modelo cuando se incluyen más valores de entrada.
Excelente contenido y video.
Gracias!!! Saludos!!!
Hola Naren, gracias por compartir este ejemplo. Seguí tus pasos para analizar un dataset de visitantes y todo salió bien, pero no me permitió hacer un pronóstico de días en el futuro, solo con el dataframe que contenía los valores históricos. ¿En tu modelo pudiste calcular días futuros? Gracias.
Hola... Si lo que debes de hacer es no dividir los datos en entrenamiento y prueba, sino trabajar con todos los datos. 2. Otra opción es usar la función make_future_dataframe, con esa función creas los periodos futuros y luego se los pasas al predict. Saludos... Comparte y suscribete!!!
@@narencastellon ¡Saludos, Narel! Estoy enfrentando una situación similar. He empleado make_future_dataframe, pero sin éxito. Tras varios intentos, parece que el problema surge al agregar los n_lags; el ajuste es excelente, pero lamentablemente, el horizonte no se expande.
@@fernandomalaga6215 lo que puede hacer es lo siguiente, 1. quitar el parametro rezagados, 2. agregarlos de forma manual como variables exógenas 3. Cree un dataframe nuevo con las fechas que desea pronosticar, puede usar la función data_range de pandas. 4. concatenar con tu regreso = pd.concat(df, df_nuevo 5. Crea un make_future_dataframe, y agregale el parámetro regresor_df el regresor 6. realizar el m.predict(df_future) 7. Funciona bien, yo ya lo hice 8. Saludos y comparte el vídeo.
Gracias por la info Naren He encontrado una manera de predecir sin agregar lags como variables exógenas te comparto como: 1. Inicialización del Modelo: Configura el modelo con el parámetro n_forecasts para especificar el número de predicciones necesarias. 2. Creación del DataFrame Futuro: Utiliza make_future_dataframe con el parámetro periods igual a n_forecasts. 3. Generación y Reorganización de Predicciones: Después de generar las predicciones, utiliza una función para reorganizarlas debido a un error en las columnas de las predicciones. Ejemplo: # Configuración del modelo m = NeuralProphet( trend_global_local="global", season_global_local="global", changepoints_range=0.8, epochs=20, trend_reg=5, n_changepoints=10, yearly_seasonality=True, weekly_seasonality="auto", daily_seasonality=False, n_lags=10, n_forecasts=93 ***** ) m.set_plotting_backend("plotly-resampler") # Entrenamiento del modelo metrics = m.fit(df_entrenamiento, freq="B") # Creación del DataFrame futurofuture = m.make_future_dataframe(df_entrenamiento, periods=93*****, n_historic_predictions=False) # Generación de predicciones forecast = m.predict(future) # Función para extraer y reorganizar las predicciones def extract_yhat(forecasts): columns = forecasts.columns[3:] newframe = forecasts[["ds", "y", "ID", "yhat1", "trend", "season_yearly", "season_weekly"]].iloc[-len(forecasts):].copy() for col in columns: if "yhat" in col: newframe["yhat1"] = newframe["yhat1"].fillna(forecasts[col]) newframe = newframe.sort_values(by="ds") return newframe # Aplicación de la función para reorganizar las predicciones extract_yhat(forecast) En este caso utilice en la función para extraer los datos el ID por que trabaje con varias series distintas. Saludos. Fuente: stackoverflow.com/questions/77231544/neural-prophet-not-predicting-at-all
@@fernandomalaga6215 ah mira pue encontraste otra forma... Excelente!!!
Excelente video, estimado Naren. Me gustaría que analizaras NeuralProphet y lo compararas con otros modelos. Además, me interesan los modelos de Nixtla, NeuralForecast y MLForecast. Quisiera un análisis más detallado sobre cómo construir los modelos globales con datos diarios. ¡Saludos!
Gracias por el comentario... si hace algo con #NeuralForecast. Aca en mi canal podes encontrar otro modelo con #Nixtla(czcams.com/video/ISy3WnjoPsc/video.html), (czcams.com/video/txfnk13WuvQ/video.html), (czcams.com/video/ziCFX2KxmzA/video.html), czcams.com/video/iRHjYrA7CUo/video.html... bueno ahi podes encontrar mas modelo... pero también podes encontrar todos los modelo clásicos en este link (nixtlaverse.nixtla.io/statsforecast/docs/models/autoarima.html)
@@narencastellon perfecto, muchas gracias por tu apoyo 😉
Excelente. Sería bueno que compartas tus sentencias. Gracias
Lo haré
Buenas noches, ¿donde puedo encontrar el repositorio?
Puedes buscarlo en mi Github
Súper me encantó tu explicación 👋👋👋. Más tips porfavor.
Gracias!!!
Muy bueno el video!! Podrías hacer un video con lo más avanzado del momento para predicción de series temporales? Tranformers, redes KAN, etc. Gracias!!!
Pronto haré uno, creo sktime va a lanzar próxima la aplicación de uso para series de tiempo, aún se están haciendo las pruebas!!!
Un corto de KAN czcams.com/video/0Dm2lfvnZMY/video.html
hola naren, no subes tus scripts a algún lado?
Puede verlo en Github
Saludos naren
Gracias!!!
Excelente video, muchas gracias por compartir su conocimiento, una consulta: Aplicar esta metodología no tiene distinción a variables? por ejemplo si quisiera aplicarlo a la Hidrología a una serie de datos de caudales , si puede compartir documenación sería excelente.
@normamgarcia4386 Se la puede aplicar a cualquier variable en cualquier área; lo ideal siempre es analizar la variable objetivo, ya que con ella es la que se hará el análisis y el forecasting. Saludos si puedes comparte el video
Excelente. Podrías compartir los datos y el script para replicar?
Gracias!! si puede compartir el video. Aca esta el repositorio (github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%20Ensemble_Arima-MSTL-Knn-Mlp-catboost.ipynb) me dejas un start en mi GitHub, x fi... Saludos
@@narencastellon Claro que si. Gracias.
@@TCientifico Saludos y gracias!!!
Felicitaciones Naren, sigue adelante.
Gracias!!! Si puedes comparte!!! Saludos !!!
muy buen video sobre el uso de modelos para trabajar las series de tiempo, solo falto incluir el modelo Prophet para ver que tal se desenvuelve y realizar comparativas. Por todo lo demás, Excelente !
Gracias por el comentario. La verdad no soy de usar prophet, que es un poco mas lento y menos preciso que los demás modelos (github.com/Nixtla/statsforecast/tree/main/experiments/arima_prophet_adapter) pero en una próxima podemos incluirlo, pero también podes ver este otro video (czcams.com/video/R_VMGlKhIoQ/video.html)
Justo lo que necesitaba, gracias por compartir tu conocimiento
Gracias!!! Si puedes compártelo!!!
@@narencastellon ¿tienes subido este cuaderno en tu repositorio?
@@waltermanuelmaytanavarro3661 Gracias!! si puede compartir el video. Aca esta el repositorio (github.com/narencastellon/Serie-de-tiempo-con-Machine-Learning/blob/main/Modulo%20Ensemble_Arima-MSTL-Knn-Mlp-catboost.ipynb) me dejas un start en mi GitHub, x fi... Saludos
super bueno el video! podria hacer un video haciendo time series forecasting aplicando una arquitectura KAN (Kolmogorov Arnold Network)??
Creo que lo tendré listo para esta semana o la próxima. Si puedes comparte el vídeo... Saludos!!!
@@narencastellon buenisismo, estaré al pendiente! podría facilitrar el código de los videos para trastear con él?
Un corto con KAN: czcams.com/video/0Dm2lfvnZMY/video.html
Excelente!!
Excelente 👌
Puedo convertir cualquier tipo de datos para ser trabajado como serie temporal?
Siempre que tengas las fechas (periodos) si se puede hacer, o puedes agregarlas de forma manual usando pandas. Saludos!!!
www.twitch.tv/kevinriverav
Muy buen video , gracias.
Gracias saludos 😃
como seria con varias variables independientes
Gracias por la informacion. Consulta: se tienen 222 observaciones para la variable "Nivel donde se ubica el apartamento", para edificios de apartamentos con 20 niveles. La variable "Nivel donde se ubica el apartamento" ¿deberia ser una variable "categorica ordinal" o "numerica discreta"?, ¿que tipo de distribucion de probabilidades deberia ajustarse a los datos?
Excelente video. Por favor explica cómo visalizar el arbol resultante.
como se crea la union, complemento y diferencia?