Proyecto

Proyecto de Series de Tiempo con Prophet

Descripción

En este proyecto, se espera que apliquen sus conocimientos de series de tiempo y el uso de la biblioteca Prophet para realizar pronósticos. Debe encontrar un conjunto de datos con más de tres años de historia para su análisis.

Objetivos

Realizar un análisis exploratorio de los datos para entender las características de la serie de tiempo.
Preprocesar los datos si es necesario para prepararlos para Prophet.
Entrenar un modelo Prophet en los datos y realizar pronósticos.
Evaluar la precisión de sus pronósticos.
Interpretar los componentes de su modelo (tendencia, estacionalidad).

Consideraciones

Asegúrese de dividir sus datos en conjuntos de entrenamiento y prueba para evaluar la precisión de sus pronósticos.
Considere la posibilidad de ajustar los hiperparámetros de Prophet para mejorar su modelo.
Recuerde que Prophet puede manejar datos faltantes, pero debe decidir si imputar estos datos es la mejor opción para su situación.
La entrega del proyecto debe realizarse a través de un repositorio de GitHub. Asegúrese de que su proyecto esté bien comentado, para esto use el archivo ReadMe.
La fecha límite para la entrega del proyecto es el lunes 31 de julio. Las presentaciones se llevarán a cabo hasta el 5 de agosto.

Puntos de Evaluación

Calidad del análisis exploratorio de datos y las conclusiones extraídas.
Correcta aplicación de Prophet y uso de sus funcionalidades.
Precisión de los pronósticos.
Interpretación de los componentes del modelo.
Calidad de la presentación de sus resultados.

Funciones de Prophet a Probar

Ajuste de la flexibilidad de la tendencia con el parámetro changepoint_prior_scale.
Ajuste de la estacionalidad con add_seasonality y seasonality_mode.
Uso de add_country_holidays para incluir efectos de vacaciones.
Uso de make_future_dataframe para generar fechas futuras para pronósticos.
Interpretación de los componentes del modelo con plot_components.

Rúbrica del Proyecto de Series de Tiempo con Prophet

Puntos de Evaluación	Nivel 1	Nivel 2	Nivel 3	Nivel 4
Calidad del análisis exploratorio de datos y las conclusiones extraídas	El análisis exploratorio de datos es inexistente o muy limitado, sin conclusiones significativas.	El análisis exploratorio de datos es básico, con algunas conclusiones pero falta profundidad o comprensión completa de los datos.	El análisis exploratorio de datos es sólido, con conclusiones bien razonadas y una buena comprensión de los datos.	El análisis exploratorio de datos es excepcionalmente detallado y perspicaz, con conclusiones profundas y una comprensión completa de los datos.
Correcta aplicación de Prophet y uso de sus funcionalidades	Prophet no se utiliza correctamente o no se utiliza en absoluto.	Prophet se utiliza de manera básica, pero no se explotan todas sus funcionalidades.	Prophet se utiliza correctamente y se explotan la mayoría de sus funcionalidades.	Prophet se utiliza de manera experta, aprovechando todas sus funcionalidades para mejorar el modelo.
Precisión de los pronósticos	Los pronósticos son inexactos y el modelo no se ajusta bien a los datos.	Los pronósticos son moderadamente precisos, pero el modelo podría mejorarse.	Los pronósticos son precisos y el modelo se ajusta bien a los datos.	Los pronósticos son extremadamente precisos y el modelo se ajusta excepcionalmente bien a los datos.
Interpretación de los componentes del modelo	No se realiza ninguna interpretación de los componentes del modelo.	Se realiza una interpretación básica de algunos componentes del modelo.	Se realiza una interpretación sólida de la mayoría de los componentes del modelo.	Se realiza una interpretación detallada y perspicaz de todos los componentes del modelo.
Calidad de la presentación de sus resultados	Los resultados no se presentan de manera clara o comprensible.	Los resultados se presentan de manera básica, pero podrían mejorarse para una mayor claridad o comprensión.	Los resultados se presentan de manera clara y comprensible.	Los resultados se presentan de manera excepcionalmente clara, detallada y comprensible.