Aprende a modelar estacionalidades superpuestas y el efecto halo navideño en Prophet con series de Fourier y el ajuste de la escala previa para que tus pronósticos sobrevivan al auge de la Navidad.
Una referencia sobre la anatomía de las series de tiempo: tendencia, estacionalidad, residuos, autocorrelación y estacionariedad, con ejemplos de descomposición en Python y reglas de decisión.
Compara Prophet y ARIMA cara a cara en series de tiempo reales y desordenadas con quiebres estructurales, feriados y múltiples estacionalidades para elegir el modelo correcto.
Aprende por qué ARIMA suele superar a LSTM en pequeños conjuntos de datos de series de tiempo, cuándo usar pronóstico clásico frente a redes neuronales y cómo evitar el sesgo de ajuste en las comparaciones.