Ciencia de Datos e Inteligencia Artificial.
@AnalyticalPost
Data science and AI are revolutionizing industries and reshaping our lives. This blog examines how these powerful tools are driving innovation, solving complex problems, and creating a better future – from healthcare to climate change and beyond.
La limpieza de datos, o la preparación de datos es una parte esencial del análisis estadístico. De hecho, en la práctica a menudo lleva más tiempo que el análisis estadístico en sí. Estas notas de clase describen una gama de técnicas, implementadas en el entorno estadístico R, que permiten al lector crear scripts de limpieza de datos para datos que sufren una amplia gama de errores e inconsistencias, en formato textual.
dplyr proporciona una gramática para manipular tablas en R. Esta hoja de referencia lo guiará a través de la gramática, recordándole cómo seleccionar, filtrar, organizar, mutar, resumir, agrupar y unir marcos de datos y elementos.
Los algoritmos de aprendizaje basados en árboles de decisión se consideran uno de los mejores y más utilizados métodos de aprendizaje supervisado y son de uso frecuente en la mineria de datos y en la inteligencia artificial. Los métodos basados en árboles potencian modelos predictivos con alta precisión, estabilidad y facilidad de interpretación. A diferencia de los modelos lineales, mapean bastante bien las relaciones no lineales. Son adaptables para resolver cualquier tipo de problema (clasificación o regresión). En este tutorial encontrará ejemplos y aplicaciones.
Un recurso educativo para aquellos que buscan conocimiento relacionado con el aprendizaje automático y la computación estadística en R. Aquí encontrará artículos de calidad, con códigos R de trabajo y ejemplos, donde el objetivo es hacer que los conceptos de #rstats sean lo más simples y claros posible.
Este curso gratis es para usuarios con experiencia de programacion en R que desean aplicar sus habilidades existentes y extenderlas al entorno de programas en SAS. Se enfatiza la programación y no la teoría o interpretación estadística. Los estudiantes en este curso deben tener conocimiento de estadística básica, manipulación de datos, procesamiento iterativo, creación de funciones, aplicación de funciones, modelos lineales, modelos lineales generalizados, modelos mixtos, selección de modelos paso a paso, álgebra matricial y simulaciones estadísticas.