Python para energía — avanzado
Construye modelos predictivos de precios energéticos, detecta anomalías de mercado y despliega pipelines de ML. Agentes de IA como asistentes de programación, scikit-learn, SHAP e ingeniería ML end-to-end.
Jesús LópezLo que aprenderás
Agentes de IA para programación
Usa LLMs como copilotos técnicos para generación, optimización y validación de código
Modelos predictivos
Random Forest, Gradient Boosting y series temporales aplicados a precios del mercado diario
Detección de patrones y anomalías
Clustering, Isolation Forest y análisis de correlaciones en datos de mercado
ML en producción
Exporta pipelines, automatiza predicciones diarias, integra con PostgreSQL
Contenido del curso
Calendario estimado — las fechas se confirman al lanzar una edición
- Qué es un LLM y cómo funciona
- Uso de IA para generación y optimización de código
- Formulación de prompts técnicos y buenas prácticas
- Validación de resultados generados por IA
- Práctica: generar una función de cálculo de desvío con IA
- ML aplicado a energía: predicción de precios y desvíos
- División train/test y métricas de evaluación
- Features temporales, lags y rolling means
- Regresión lineal como baseline
- Random Forest para predicción de precios
- Gradient Boosting (conceptual + práctico)
- Métricas: MAE, RMSE, R²
- Construir pipelines reproducibles
- Preprocesamiento automatizado en pipelines
- Práctica: pipeline end-to-end para precios del mercado diario
- Importancia de variables
- SHAP: explicar predicciones individuales
- Sensibilidad a variables clave: precio forward, renovables, demanda
- Overfitting y underfitting
- Guardar modelos entrenados con joblib
- Automatizar predicciones diarias
- Integración con PostgreSQL y exportación a Excel
- Features de hora, día, mes
- Lags y medias móviles
- Introducción conceptual a ARIMA
- Matriz de correlación, multicolinealidad y heatmaps
- K-Means: días tipo, patrones de consumo, comportamiento de precios
- Detección de anomalías con Isolation Forest
- Práctica: detectar días atípicos y precios anómalos
- Extracción de datos y feature engineering
- Entrenamiento y evaluación del modelo
- Interpretación y análisis SHAP
- Exportación Excel: predicciones, error estimado, variables clave
¿Para quién es este curso?
Profesionales del sector energético
Que buscan aplicar Machine Learning a datos de mercado y predicción
Analistas
Que quieren construir modelos predictivos de precios y producción renovable
Equipos
Que necesitan automatizar predicciones y desplegar modelos en producción
Requisitos previos
Requiere conocimientos básicos de Python
Preguntas frecuentes
Qué incluye
Base de datos PostgreSQL dedicada
Con datos reales de mercado energético de OMIE y e·sios
Notebooks interactivos
Ejercicios y soluciones para cada módulo
Grabaciones de las sesiones
Accede a las grabaciones para repasar a tu ritmo
Agentes de IA como copilotos
Usa LLMs para generación, optimización y validación de código
Precio
A consultar
Tu instructor
Jesús López
Instructor & Creador de herramientas
Jesús López construye herramientas que automatizan tareas del día a día—desde procesar miles de archivos Excel hasta organizar proyectos completos. Con más de 54.000 estudiantes en LinkedIn Learning, tiene pasión por enseñar a otros cómo crear sus propias soluciones, sin necesidad de ser programador.
54,000+ estudiantes · 3 cursos en LinkedIn Learning
Elige tu formato
El mismo contenido, adaptado a tu ritmo
¿Necesitas una formación a medida?
Adaptamos el contenido, el calendario y los ejercicios a las necesidades de tu equipo. Presencial u online.
¿Te interesa este curso?
Déjanos tus datos y te contactaremos con información sobre precios y disponibilidad.