Proyecto Tutorial de Series Temporales

• Comprender un dataset nuevo.
• Analizar la serie temporal y estudiar sus características.
• Entrenar un modelo para predecir la cantidad de agua en distintas zonas.

🌱 Cómo iniciar este proyecto

Sigue las siguientes instrucciones:

1. Crea un nuevo repositorio basado en el proyecto de Machine Learning o haciendo clic aquí.
2. Abre el repositorio creado recientemente en Codespace usando la extensión del botón de Codespace.
3. Una vez que el VSCode del Codespace haya terminado de abrirse, comienza tu proyecto siguiendo las instrucciones a continuación.

🚛 Cómo entregar este proyecto

Una vez que hayas terminado de resolver el caso práctico, asegúrate de confirmar tus cambios, haz push a tu repositorio y ve a 4Geeks.com para subir el enlace del repositorio.

📝 Instrucciones

Sistema de detección de agua

Este proyecto se va a realizar en Kaggle. Kaggle es conocida por organizar competencias de ciencia de datos en las que las personas y los equipos pueden competir para crear el mejor modelo en una variedad de tareas.

En concreto, exploraremos una competición que ya finalizó, y que premiaba a los mejores resultados con 25.000 dólares, repartidos a las mejores cuatro soluciones.

Paso 1: Regístrate o inicia sesión en Kaggle

El primer paso para participar en una competición es tener una cuenta en Kaggle. El registro es muy sencillo y versátil.

Paso 2: Participa en la competición

Aunque esté cerrada, todavía puedes subir tus soluciones y compararte con el resto de competidores en el ranking. Pinchando aquí puedes acceder a la competición en la que el propósito es predecir el volumen de agua.

Lee la información sobre la descripción del problema, las métricas de evaluación, el cronograma y los premios. Una vez que tengas una visión general de la competencia, prepara el notebook con el desarrollo del código y súbelo, compárate con el resto de desarrolladores.

Sigue los siguientes consejos:

• Observa las soluciones propuestas por otros desarrolladores. Algunos utilizan series temporales, otros algoritmos supervisados como regresiones lineales, árboles de decisión, etc. Investiga qué modelo puede funcionar mejor para este caso de uso y explora todas las opciones.
• Elijas el modelo que elijas, asegúrate de procesar y explorar los datos según se ha estudiado en los módulos pasados.
• ¡Ensayo y error! No pretendas obtener el mejor modelo a la primera, sigue intentándolo.

Nota: También incorporamos muestras de solución en ./solution.ipynb que te sugerimos honestamente que solo uses si estás atascado por más de 30 minutos o si ya has terminado y quieres compararlo con tu enfoque.