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
Notebooks interactivos
Grabaciones de las sesiones
Agentes de IA como copilotos
Precio
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
Empieza cuando quieras. Acceso inmediato a todo el contenido.
Me interesaSesiones en directo por Zoom con el instructor.
Reservar plaza¿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.