📌 Aprender Machine Learning paso a paso#
El viaje para aprender machine learning comienza con curiosidad y datos. Aquí te comparto una idea sencilla para practicar:
🧠 Predicción de precios de acciones#
Predecir el precio de una acción es un proyecto típico de ML. Se trata de un problema de serie temporal, donde los datos vienen ordenados en el tiempo.
🔍 Usarás datos históricos para anticipar valores futuros, por ejemplo descargándolos de Yahoo Finance.
Modelos comunes:
- ARIMA 📈
- LSTM (red neuronal para datos secuenciales) 🤖
Y no olvides la ingeniería de características: agrega valores rezagados (lags), medias móviles, etc., para que el modelo aprenda mejor.
🧾 Ejemplo de código (Python)
En este ejercicio, se usa el lag o shift()
import pandas as pd
from sklearn.linear_model import LinearRegression
# obtener datos (e.g. desde Yahoo)
df = pd.read_csv('AAPL.csv', parse_dates=['Date'], index_col='Date')
df['lag1'] = df['Close'].shift(1)
df = df.dropna()
X = df[['lag1']]
y = df['Close']
model = LinearRegression()
model.fit(X, y)
pred = model.predict(X.tail(1))
print(f'Predicción próxima: {pred[0]:.2f}')✏️ Explicación en pocas palabras
Imagina que tienes una tabla con los precios de una acción cada día.
Para predecir mañana, le dices al modelo: “mira lo que pasó ayer” (eso es el lag1).
El algoritmo aprende la relación entre el precio de ayer y el precio de hoy, y luego la usa para dar un número aproximado del siguiente valor.
Es como entrenar a alguien a reconocer patrones en una secuencia.
➡️ Con este proyecto practicas conceptos clave:
- 💡 cómo trabajar con series temporales
- 🔧 crear nuevas columnas (features)
- 📊 medir el error con algo como el MSE
Más información en el link 👇
