Artículo #1: Variables exógenas en modelos ARIMA

El newsletter de mlpills.dev en Español

---

¡Bienvenidos al primer número de la newsletter de Machine Learning Pills en Español! En este artículo hablamos sobre los modelos ARIMAX. Aquí podrás poner a prueba tus conocimientos y descubrir artículos relacionados. Además, compartimos algunos links que pueden ser de tu interés.

---

💊 Artículo de la semana

Descubre el potencial de ARIMAX para pronóstico de series temporales. Averigua cómo los modelos ARIMAX pueden hacer que tus predicciones sean más precisas mediante la incorporación de variables exógenas. Aprende la diferencia entre ARIMA y ARIMAX, predicción vs pronóstico, y cómo realizar pronósticos de múltiples variables. ¡Haz clic en la imagen para leerlo!

También disponible en Inglés 🇬🇧

✍️ Comprueba lo aprendido

La primera persona que responda correctamente a estas preguntas y nos las envíe aparecerá en el próximo número de esta newsletter:

1. ¿Cuál es la diferencia entre predicción y pronóstico en el contexto de los modelos ARIMAX?

2. ¿En qué se diferencia el modelo ARIMAX del modelo ARIMA estándar?

3. ¿Cómo se pueden realizar pronósticos multivariables con modelos ARIMAX si se desconocen las variables exógenas?

¡Las respuestas correctas serán reveladas la próxima semana! Deja tus respuestas haciendo click en el siguiente botón:

📢 ¿De qué se está hablando?

1. ¡La Generación de MÚSICA y VOZ con IA ya está aquí! (Google MusicLM) 🇪🇸

2. ¿Qué libro recomendarías para aprender Python en detalle? 🇬🇧

3. La familia de los Transformers 🇬🇧

4. Cree chatbots similares a ChatGPT con conocimientos personalizados para sus sitios web mediante una programación sencilla 🇬🇧

5. ¿Qué está haciendo Google con sus equipos de código abierto? 🇬🇧

6. Resolver tareas de ciencia de datos del mundo real con Python Beautiful Soup 🇬🇧

7. Entrene CIFAR10 al 94 % en menos de 10 segundos en un solo A100 🇬🇧

8. Entrenamiento de NanoGPT en mi diario 🇬🇧

💡 También recomendamos…

• ¿Interesado en ARIMA? ¡Obtenga más información sobre el modelo estándar aquí!

• En Series temporales, las predicciones se realizan de forma ligeramente diferente. Consulte el enfoque más recomendado aquí.

• La semana pasada compartimos un artículo sobre una implementación básica y genial de K-Means. Lo puedes encontrar aquí. ¡También compartimos el código para que puedas jugar con él!