Autoplay
Autocompletar
Velocidad
Lectura anterior
Completar y continuar
Ciencia de Datos 360 con R
[email protected]
al curso!
Presentación (1:54)
Material
Preguntas y respuestas
Metodología
Notificaciones
Capitulo AE: Intro a estadística para ML
A.E.1 - Gráficos (7:53)
A.E.2 - Storytelling, relativo y abs (6:22)
A.E.3 - Intro a estadística (8:36)
A.E.4 - Desvío estándar y dispersión (6:21)
A.E.5 - Distribuciones (4:34)
A.E.6 - Percentiles (3:11)
A.E.7 - Asimetría, curtósis y resumen (6:20)
A.E.8 - Resumen (2:04)
PPTs de la unidad
Capítulo A: Introducción a la Ciencia de Datos
A.1 - ¿Qué es la ciencia de datos? Un enfoque funcional (6:00)
A.2 - Etapas y ejemplos de modelos en Ciencia de Datos (7:20)
A.3 - Introducción a la creación de modelos ML (4:01)
R.A.3 - Práctica con el primer modelo predictivo! =D (5:36)
PPTs de la unidad
Capítulo B: Análisis Exploratorio de Datos
B.1 - Introducción, principales indicadores, y problemas! (3:53)
B.2 - Percentiles - ¿Por qué son tan importantes? Y sus aplicaciones (6:54)
B.3 - Caso de estudio de variables numéricas (7:29)
B.4 - Caso de estudio de variables categóricas (3:54)
R.B.4.1 - Práctica con datos del coronavirus (9:15)
R.B.4.2 -Práctica con datos de marketing en finanzas (10:39)
B.5 - Resumen y aspectos claves (1:57)
PPTs de la unidad
Capítulo C: Correlación (triple C!)
C.1 - Correlación - Lineal (9:07)
C.2 - Correlación - Causalidad y no linealidad (6:39)
R.C.2.1 - Correlación positiva/negativa con R usando Pearson (11:26)
R.C.2.2 - Correlación R2 para variables importantes (5:08)
C.3 - Correlación - Variables categóricas y one hot encoding (5:27)
R.C.3 - Correlación MIC (3:59)
PPTs de la unidad
Capítulo D: Preparación de datos para modelos ML
D.1 - Tipos de datos en Machine Learning (7:20)
D.2 - Análisis e imputación de nulos (6:11)
D.3 - Discretización de variables, distintos criterios (7:07)
R.D.3.1 - Preparación de datos general (7:55)
R.D.3.2 - Anexo - Remplazo de nulos en var. categóricas (3:05)
D.4 - Var. de alta cardinalidad y one hot encoding (6:56)
PPTs de la unidad
Capítulo E: Modelos ML - Sus raíces y fundamentos
E.1 - Modelos ML - Árbol de decisión (5:00)
E.2 - Modelos ML - Árbol de decision (6:43)
E.3 - Modelos ML - Árbol de decisión (1:29)
R.E.3.1 - Árbol de decisión (primer modelo) (6:56)
R.E.3.2 - Árbol de decisión (caso de estudio) (5:43)
E.4 - Modelos ML - Clasificación (Intuición) (5:14)
PPTs de la unidad
Capítulo F: Modelos ML
F.1 - Modelos ML - Clasificación (scoring) (5:35)
F.2 - Modelos ML - Clasificación (Accuracy) (4:43)
F.3 - Modelos ML - Introducción a optmización de modelos (hypertuning parameter) (3:21)
R.F.3.1 - Introducción al framework caret (3:56)
R.F.3.2 - Práctica creación de un modelo de clasificación (score) (11:58)
R.F.3.3 - Modelo clasificación (Validación y accurarcy) (9:47)
F.4 - Modelos ML - Curva ROC (8:39)
R.F.4.1 - Modelo clasificación (Validación por ROC) (6:26)
F.5 - Modelos ML - Regresión (8:10)
F.6 - Modelos ML - Regresión (métricas de error) (4:02)
R.F.6.1 - Modelo regresión (creación) (10:01)
R.F.6.2 - Modelo regresión (calculo del error) (12:48)
PPTs de la unidad
Capítulo G
G.1 - Detección de outliers en variables numéricas (7:18)
R.G.1.1 - Práctica de outliers en variables numéricas (12:05)
R.G.1.2 - Anexo preparación de datos para random forest con caret (6:37)
R.G.1.3 - Análisis del efecto de winsorize (3:04)
G.2 - Modelos ML - Clasificación multiclase y balanceo (4:10)
G.3 - Modelos ML - Clasificación multiclase (error) (8:21)
R.G.3 - Anexo - Cómo usar el case_when de dplyr (5:53)
G.4 - Introducción al ejercicio de undersampling (2:13)
R.G.4.1 - Clasifiación multiclase y cómo balancear las clases (8:18)
R.G.4.2 - Práctica de clasificación multiclase y balanceo (7:50)
PPTs de la unidad
Capítulo H
H.1 - Modelos ML - Clustering (8:26)
H.2 - Modelos ML - Análisis de clustering (6:28)
H.3 - Modelos ML - Métricas calidad en clustering (5:16)
R.H.3.1 - AED - Caso de estudio Spotify (12:27)
R.H.3.2 - Clustering con kmeans (12:43)
R.H.3.3 - Análisis de resultados y calidad del modelo de kmeans (6:33)
H.4 - Modelos ML - Clustering k-means vs hdbscan (2:22)
R.H.4.1 - Creación de HDBSCAN (11:13)
R.H.4.2 - Análisis de silhouette (10:35)
H.5 - Preparación y normalización (cuándo y por qué) (5:42)
H.6 - Anexo - ¿Qué es la matríz de distancia (2:01)
PPTs de la unidad
Capítulo I
I.1 - Modelos ML - Intro a técnicas de reducción de dimensionalidad (7:46)
I.2 - Modelos ML - Técnicas más populares de reducción de dimensionalidad (4:43)
R.I.2 - UMAP con Spotify (12:32)
I.3 - Intro a la selección de modelos de ML (6:18)
I.4 - Selección de modelos - Bias vs variance tradeoff (3:52)
PPTs de la unidad
Cierre, y próximos pasos
Comienzo de una nueva etapa (1:38)
A.E.2 - Storytelling, relativo y abs
Contenido de la lectura bloqueado
Si ya estás inscripto,
necesitas iniciar sesión
.
Inscríbete en el curso para desbloquear