Introducción y conceptos de redes neuronales

Data Science de cero a experto

Introducción

Bienvenido al curso
Materiales
Libro Ciencia de Datos para todos

R y Python para Data Science y Análisis de Datos

Introducción a R y Python

Introducción a Python

Comenzamos con Python (9:16)

Python: Instalación

Instalando Python (9:10)
Google Colaboratory (8:27)

Python: Fundamentos del lenguaje

Variables (9:40)
Operadores (12:04)
Cadenas de texto (strings) - parte I (10:49)
Cadenas de texto (strings) - parte II (10:48)
Cadenas de texto (strings) - parte III (10:19)
Cadenas de texto (strings) - parte IV (8:02)
Condicionales (if, else, elif) (5:18)
Operadores de comparación (=,==,<,...) (8:02)
Ciclo "while" (8:22)
Ciclo "for" (11:02)
Listas - I (9:23)
Listas - II (6:29)
Listas - III (11:10)
Listas - IV (6:58)
Diccionarios - I (6:09)
Diccionarios - II (10:40)
Ficheros (2:11)
Crear nuestras propias funciones (8:24)
Python: ejercitando lo aprendido
Python: básicos, variables (14:03)
Python: operaciones, strings (17:08)
Python: crear ciclos y funciones (6:15)
Python: condicionales if, else, elif (17:41)
Python: funciones matemáticas pre-definidas (4:04)
Python: listas (11:20)

Python: Librería NumPy

Introducción a la librería NumPy (9:50)
Matrices con NumPy (12:28)
Generación de datos (enteros, bernouilli, normales, etc.) (10:57)
Manipulando arrays con NumPy (20:19)
Operaciones lógicas (8:27)
Ordenación y valores únicos (6:40)
Operaciones aritméticas (4:48)
Funciones universales (3:49)
Cálculo estadístico con NumPy (5:47)
Funciones vectorizadas (5:28)
Álgebra lineal (8:58)
Python: ejercitando lo aprendido sobre NumPy
Python: básicos (8:44)
Python: creación y simulación de arrays (11:23)
Python: manipulando arrays (14:43)
Python: operaciones lógicas y ordenación (8:58)
Python: matemática, estadística y álgebra (13:30)

Python: Librería Pandas

Introducción a la librería Pandas (1:17)
¿Qué es una serie en Pandas? (10:12)
Operaciones con series de Pandas (10:16)
¿Qué es un dataframe? (10:27)
Características y selección de elementos (18:07)
Modificación de elementos (8:43)
Manejando cadenas de texto (5:59)
Manejando fechas (7:25)
Manejando datos categóricos (4:45)
Análisis estadístico (20:25)
Python: ejercitando lo aprendido sobre Pandas
Python: Inicio y Series de Pandas (12:54)
Python: DataFrames de Pandas (26:46)

Python: Visualización con Matplotlib y Seaborn

Introducción a la visualización de datos (5:10)
Python: ejercitando la visualización
Python: cómo crear una figura y un gráfico de línea (15:11)
Python: diferentes estilos y cómo hacer anotaciones (8:44)
Python: gráficos de barras e histogramas (9:54)
Python: boxplots (5:46)
Python: gráficos de dispersión (2:35)
Python: mapa de calor (2:47)
Python: gráficos con Seaborn (12:30)

Python: Librerías para generar informes de EDA

EDA (Exploratory Data Analysis) automático (25:34)

Python: Series Temporales

Introducción a las Series Temporales (4:30)
Python: ejercitando el manejo de series temporales (11:35)

Python: Mapas con Geopandas

Introducción a la librería geopandas (2:09)
Python: Dibujar mapas con Geopandas (imágenes y GIFs) (23:33)

Data Science en Python

Data Science en Python (9:17)

Introducción a R

Introducción a R (7:42)

R: Instalación

Instalando R (3:41)
Instalando R-Studio (11:18)
R-Cloud

R: Fundamentos del lenguaje

Variables y objetos (7:13)
Vectores (6:42)
Operadores (9:32)
Cadenas de texto (6:12)
Matrices (3:52)
Dataframes (3:35)
Listas (4:12)
Subconjuntos por índice (7:20)
Subconjuntos por nombre (4:17)
Subconjuntos por signo de dolar y doble corchete (3:02)
Subconjuntos con condicionales (6:59)
Funciones (5:33)
Estructuras de control if, for, while, etc. (14:35)
R: Introducción a la programación y manejo de datos
R: Básicos, vectores y operaciones (13:55)
R: Cadenas de caracteres (3:49)
R: Matrices (9:46)
R: Dataframes (2:58)
R: Funciones (6:31)

R: Importar y exportar datos

Descargando datos (4:09)
Importando datos (8:51)
Exportando datos (4:54)
Datos de paquetes estadísticos (2:46)
R: Importando datos (8:54)

R: Gráficas simples

La función plot() (3:54)
Histogramas y gráficos de barra (13:44)
Diagrama de dispersión (7:13)
Boxplot (6:10)
Exportar gráficos (2:46)
R: Visualización básica (7:45)

R: Visualización con la librería ggplot2

Introducción a ggplot2 (7:07)
R: Visualización avanzada
R: Diagramas de dispersión y gráfico de línea (6:57)
R: Configuración de gráficos: colores, añadir texto, paneles, etc (14:03)
R: Histogramas y densidades (5:03)
R: Boxplot (3:40)
R: Gráfico de barras (2:20)
R: Personalización avanzada (8:39)

R: Series temporales

Introducción a las series temporales (3:33)
R: Ejercitando el manejo de series temporales (10:55)

R: Mapas

Introducción a los mapas en R (2:52)
R: Cómo crear mapas de algunos países (9:17)

Data Science con R

Data Science con R (7:47)

Material complementario gratuito

Material complementario gratuito

Introducción al Espacio Multivariante

Introducción al espacio multivariante
Datos Multivariantes (10:58)
Visualización en el espacio multivariante (3:24)
Boxplot (18:25)
Histograma (4:05)
Densidad kernel (7:33)
Scatterplot (6:17)
Matriz de correlaciones (6:36)
Coordenadas paralelas (7:27)
Medidas descriptivas multivariantes loc (11:31)
Medidas descriptivas m cov (17:40)
Transformaciones lineales (12:42)
R: Dataset States (20:38)
R: Dataset Iris (13:10)
Python: Dataset Iris (9:27)
Pyhton: Dataset MNIST (12:21)
Pyhton: Dataset Wisconsin Breast Cancer (18:34)

Variables Multivariantes

Variable aleatoria multivariante (7:46)
Distribución conjunta y marginales (13:48)
Distribución condicional, e independencia (7:51)
Valor esperado, covarianza y correlación (11:02)
Esperanza condicional y ley de la varianza total (13:24)

Distribución Multivariante

Distribucion Normal multivariante (18:37)
Curvas de nivel o contornos (6:03)
Densidad kernel multivariante (2:56)
Distancia Euclidea (7:36)
Distancia Mahalanobis (11:54)
Distribucion t-student multivariante (5:29)
Distribuciones esféricas y elípticas (4:17)
Mixtura de distribuciones (5:37)
Cópulas (11:18)
R: Generación de Normales Multivariantes (13:52)
R: Contornos (9:40)
R: t-student multivariante (4:56)
R: Mixtura (3:29)
Python: Contornos (5:41)
Python: Cópulas (16:58)

Inferencia Multivariante

Introducción a la inferencia multivariante (7:13)
Estadísticos muestrales multivariantes (14:42)
Teorema central del limite multivariante (6:27)
Máxima verosimilitud (11:21)
Estimadores MLE para una Normal (18:30)
Test de Hipótesis Multivariantes (15:16)
Contraste para la media de una Normal multivariante (12:38)
Ejemplo contraste de vector de medias de una Normal multivariante (21:27)
Contrastes para la matriz de covarianzas de una Normal multivariante (12:12)
Contraste de igualdad de varias medias - Análisis de varianza multivariante (12:55)
R: Contraste de igualdad de varias medias (5:10)

Análisis de Componentes Principales

Introducción a PCA (13:35)
Cálculo de las componentes (14:46)
Propiedades (12:51)
PCA normado o con correlaciones (6:38)
Interpretación y selección de los componentes (11:13)
Ejemplo (11:21)
R: PCA (7:41)

Análisis Factorial

Introducción a FA (3:58)
Modelo Factorial (8:47)
Propiedades y unicidad (19:42)
Criterio varimax (8:15)
Principal Component Factor Analysis (15:39)
Principal Factor Analysis (5:38)
Estimación de los factores (13:04)
R: Análisis Factorial (16:50)

Escalamiento Multidimensional

Introducción al escalado multidimensional (7:18)
Escalado métrico o coordenadas principales (19:11)
Construcción de las coordenadas principales (10:42)
Escalado no métrico (8:55)
R: Escalado multidimensional (8:05)

Clusterización

Introducción al análisis de cluster (4:27)
K-medias (13:35)
K-medoides: algoritmo pam (2:27)
Métodos jerárquicos (14:01)
Método aglomerativo (5:24)
Dendograma (10:31)
Método divisivo (2:14)
Clúster basado en modelos (7:49)
R: Clúster particiones: kmeans y pam (7:54)
R: Ejercicio Normales (3:45)
R: Clúster jerárquico (8:37)
R: Clúster basado en modelos (3:40)
Python: K-Means (25:05)

Clasificación

Introduccion a clasificación (5:39)
Método kNN (14:06)
Clasificación bayesiana (12:33)
Regresión logística (10:44)
R: Análisis discriminante (13:55)
R: kNN (7:33)
R: Regresión logística (3:59)

Regresión Lineal Múltiple y Regularización

Regresión lineal simple (15:29)
Regresión lineal múltiple (9:59)
R: Regresión Lineal Múltiple (15:03)
Regularización (8:26)
Regularización Ridge (4:29)
R: Regularización Ridge (9:01)
Regularización Lasso (3:11)
R: Regularización Lasso (4:45)
Elastic Net (2:48)
R: Elastic Net (4:41)

Material adicional: Estadística Multivariante

Libro de Estadística Multivariante

Introducción a la Estadística Robusta

Introducción a la Estadística Robusta

Análisis de datos atípicos y outliers

Un ejemplo introductorio (5:20)
Matlab: Datos peso del cuerpo y cerebro de mamíferos (4:56)
R: Datos peso del cuerpo y cerebro de mamíferos (2:16)
¿Qué es un outlier? (5:02)
Matlab: Ejemplo sencillo de outliers (0:53)
R: Ejemplo sencillo de outliers (0:46)

Conceptos básicos I

Muestra y Población (13:32)
Distribución de una variable aleatoria (6:23)
Distribución Normal (8:00)
Distribución t-student y chi cuadrado (3:54)
Estimadores (12:11)

Espacio Univariante

Media vs Mediana (6:42)
Rango vs RI y STD vs MAD (14:01)
Asimetría vs Medcouple (11:19)
R: Estimadores (5:45)
Método SD (7:58)
Z score (4:40)
Tukey boxplot (10:51)
MADe (3:29)
Z score modificado (3:03)
Boxplot ajustado (5:09)
Matlab + R: Métodos detección de atípicos (univariante) (10:34)
Conclusiones Espacio Univariante (4:25)

Conceptos básicos II

Álgebra lineal (8:39)
Variable multivariante (4:31)
Distribución conjunta y marginales (4:16)
Independencia, covarianza y correlación (3:22)
Normal multivariante (11:12)
R: Normal bivariante (5:48)

Espacio Multivariante

Espacio multivariante (3:14)
Matlab: Ejemplo (4:59)
Estimadores de localización (8:37)
Matlab: Estimadores de localización multivariantes (2:44)
R: Estimadores de localización multivariantes (2:14)
Estimadores de dispersión (14:34)
R: Estimadores de dispersión multivariantes (2:43)
Distancia euclídea (7:10)
Distancia de Mahalanobis (8:11)
R: Distancia de Mahalanobis (4:38)
MCD (15:12)
Matlab: MCD (6:30)
R: MCD (1:41)
MCD Ajustado (11:43)
Ejemplo: Kola Project (10:06)
R: Kola Project y el MCD ajustado (4:49)
Stahel-Donoho (7:29)
R: Stahel-Donoho (3:19)
Kurtosis (3:49)
Matlab + R: Métodos detección de atípicos (multivariante) (14:52)
Conclusiones Espacio Multivariante (2:07)
Paquete de R "mvoutlier"

Regresión lineal robusta

Regresión lineal (10:58)
Método clásico de regresión: mínimos cuadrados (13:57)
Métodos de regresión robustos: LAD, LMS y LTS (7:06)
Matlab: Regresión robusta (5:01)
R: Regresión robusta (3:55)

PCA Robusto

Introducción a PCA, PCA robusto y PCA sparse (13:28)
PCA robusto en R (23:17)

Material adicional: Análisis robusto de datos

Libro Datos Atípicos
Artículos científicos y paquetes

Los datos que dependen del tiempo

¿Sabes cuáles son los datos temporales?

Introducción a las Series Temporales

Introducción a series de tiempo (13:44)
Notación (3:59)
Peculiaridades de las series temporales (4:54)
Python: Examinando los datos (11:13)
Python: Gráfico de una serie de tiempo (8:57)
Python: Gráfico QQ (3:50)

Serie temporal en R y Python

Python: Transformación de los datos (6:33)
Python: Fecha como indice (4:35)
Python: Frecuencia de la serie de tiempo (4:47)
Python: Valores faltantes (6:47)
Python: Simplificando el dataset (4:20)
Python: Conjuntos de entrenamiento y prueba (10:18)
Python: Actualizando los datos de precios con Yahoo Finance
Python: Modificando la frecuencia de la serie
R: Manejo de tiempo y fechas (13:26)
R: Objeto serie de tiempo (3:24)
R: Valores faltantes y atípicos (7:04)
R: Objeto ts vs zoo (Starbucks & Microsoft) - Datos mensuales / diarios (39:24)

Características fundamentales

Ruido Blanco (12:58)
¿Cómo generar ruido blanco en R?
Caminata aleatoria - Random Walk (8:00)
¿Cómo generar una caminata aleatoria en Python?
¿Cómo generar una caminata aleatoria en R?
Estacionariedad (8:13)
Estacionariedad en Python (18:30)
Heterocedasticidad
Estacionalidad (7:48)
Filtro Hodrick Prescott (15:12)
Python: Ejemplo pasajeros avión (7:47)
Autocorrelación (11:00)
Autocorrelación parcial (7:56)
R: Analizando temperaturas (6:49)

Técnicas de suavizado

Promedio móvil simple - Python (17:26)
Holt-Winters - Python (15:51)
Suavizado exponencial completo en R (10:51)

Modelos AR autorregresivos

Modelos predictivos (10:27)
Modelo autorregresivo AR (7:47)
Python: AR(1) (11:46)
Python: AR(n) (22:45)
Python: Retornos (11:27)
Python: Población USA (15:06)

Modelos MA: medias móviles

MA medias moviles (7:40)
Python: MA(1) Retornos (11:02)
Python: MA(n) Retornos (14:21)
Python: Residuos MA (12:06)
Normalización (12:23)
Python: MA(1) Precios (6:03)

ARMA: autoregresivo de medias móviles

Introducción modelos ARMA (4:29)
ARMA(1,1) (8:41)
ARMA(p,q) (25:33)
Residuos (9:37)
ARMA Precios (8:17)

ARIMA: autoregresivo integrado de medias móviles

Introducción a modelos ARIMA (13:05)
ARIMA(1,1,1) (8:39)
ARIMA(p,d,q) (9:43)
Integración (5:35)
ARIMA en series estacionarias (4:03)
ARIMAX (5:51)
SARIMAX (17:38)
Ejemplo con datos de contaminación (14:07)
R: ARIMA Linces (10:46)

ARCH

Volatilidad (2:49)
Introducción a ARCH (5:59)
ARCH en detalle (9:55)
Python: ARCH (9:17)
ARCH(1) (6:42)
ARCH(p) (4:44)

GARCH

Introducción a GARCH (9:47)
GARCH(p,q) (4:15)
GARCH simple (4:49)

Auto ARIMA

Introducción a Auto ARIMA (8:25)
Auto ARIMA en Python (8:24)
Auto ARIMA modificado (17:11)

Prediciendo el futuro

Prediciendo el futuro de Yahoo Finance (12:14)
Prediciendo con AR y MA (4:41)
Modelos máximos (8:11)
Predicciones con estacionalidad (4:21)
Predicciones con auto ARIMA en Python (4:49)
Desventajas con pronósticos (6:37)
Prediciendo volatilidad (6:06)
VAR (10:20)
Auto ARIMA en R con tasas de inflación alemanas (7:18)
Auto ARIMA en R con Linces atrapados (5:07)
Prophet Facebook library (11:14)
Prophet pasajeros de avión (4:20)
Análisis del Covid-19 (18:23)
Análisis de precios del Bitcoin (43:22)
Paquete coindeskr en R
Python: Hampel Filter para detectar atípicos en series temporales (22:11)
R: Hampel Filter para detectar atípicos en series temporales (10:02)
Python: Cómo invertir la diferenciación de la serie y volver a la escala original (18:41)
R: Cómo invertir la diferenciación de la serie y volver a la escala original (17:43)
Python: Comparando Auto Arima y Prophet (30:43)

Redes Neuronales para Series de Tiempo

Introducción y conceptos de redes neuronales (5:51)
Modelo Perceptrón (6:38)
Redes Neuronales en Deep Learning (8:38)
Python - Introducción a Keras (21:01)
Redes Neuronales Recurrentes (11:26)
LSTM (15:04)
Python: Time Series Generator (19:28)
Python: LSTM para predecir series de tiempo (28:38)
R: Red neuronal autorregresiva para predecir el consumo de electricidad (18:55)
Paquetes en Python y R

Series Temporales Multivariantes

Introducción a las series temporales multivariantes
Desventajas del análisis de series temporales clásico univariante (8:01)
Introducción a las series temporales multivariantes (7:38)
Estructura y categorización (7:35)
Ejemplo de serie temporal multivariante (5:37)
¿Cómo escoger el modelo adecuado? (3:15)
Estacionariedad en una serie temporal multivariante (6:04)
Modelo VAR y VARMA (13:45)
Causalidad de Granger (9:35)
Causalidad de Granger no es realmente causalidad (9:59)
Predicciones y pronósticos en el caso multivariante (3:58)
Librerias R y Python (5:52)

Introducción a los casos de estudio

Pasos generales para análisis de series de tiempo multivariantes (6:19)
Cómo generar una serie de tiempo multivariante (5:53)

Casos de estudio con R-Studio: Datos macroeconómicos de Estados Unidos

Cargando librerías y datos (8:35)
Análisis exploratorio (10:44)
Dividiendo en conjuntos de entrenamiento y prueba (8:01)
Estacionariedad (3:05)
Modelo VAR (5:49)
Causalidad de Granger (2:06)
Diagnosis del modelo (2:13)
Pronósticos a futuro (1:59)
Evaluación del modelo (4:26)
Re-entrenando el modelo con todos los datos (7:41)

Casos de estudio con R-Studio: Datos macroeconómicos de Sudáfrica

Análisis exploratorio (4:23)
Dividir en conjuntos de entrenamiento y prueba (2:32)
Estacionariedad (5:51)
Modelo VAR (2:00)
Diagnosis (1:00)
Predicciones (1:14)
Evaluando el modelo (1:03)
Re-entrenando con todos los datos (2:34)

Casos de estudio con R-Studio: Datos macroeconómicos de Filipinas

Análisis exploratorio (4:10)
Conjunto entrenamiento y prueba otras clases anteriores. (0:50)
Estacionariedad (4:39)
Modelo VAR (1:19)
Diagnosis del modelo (0:43)
Pronósticos (13:06)
Evaluación del modelo (2:34)

Casos de estudio con R-Studio: Comodities Oro y Plata

Precios del Oro y la Plata: análisis exploratorio (5:33)
Estacionariedad (1:44)
Modelo VAR (1:09)
Prediciendo los precios del oro y la plata (6:42)

Casos de estudio con R-Studio: Datos macroeconómicos mayor dimensión

Serie multivariante de 20 variables macroeconómicas (4:03)
Modelo VAR con variables exógenas (6:45)
Pronósticos a futuro (2:44)

Casos de estudio con R-Studio: Mercado financiero europeo

Análisis del EuStockMarket (4:12)
Análisis exploratorio y Estacionariedad (2:37)
Modelo, Causalidad y Diagnosis (3:11)
Pronósticos a futuro (4:44)

Resumen casos de estudio en R: metodología y trucos

Resumen casos estudio en R

Casos de estudio con Python: Precios del Oro y la Plata

Pasos para analizar series temporales multivariantes en Python (6:36)
Yahoo Finance para obtener datos del mercado financiero actualizados (12:33)
Análisis exploratorio (5:18)
Conjunto de entrenamiento y prueba (3:48)
Estacionariedad (4:20)
Transformación de los datos (5:08)
Modelo VAR (4:06)
Causalidad de Granger (9:36)
Diagnosis del modelo (3:15)
Pronósticos (8:20)
Evaluación del modelo (2:50)

Casos de estudio con Python: Índices del mercado financiero europeo

Pre-procesado de los datos (4:09)
Análisis exploratorio (1:40)
Conjunto de entrenamiento y prueba (0:39)
Estacionariedad (2:14)
Modelo VAR (1:47)
Causalidad de Granger (2:47)
Diagnosis del modelo (1:51)
Pronósticos (6:11)

Casos de estudio con Python: Crecimiento salarial y el proceso de inflación

Importando datos de Github (3:37)
Análisis exploratorio (1:34)
Estacionariedad (2:53)
Modelo VAR (1:15)
Causalidad de Granger (4:20)
Diagnosis del modelo (1:13)
Pronósticos (3:29)
Eliminando una variable y volviendo a repetir los pasos (3:41)

Casos de estudio con Python: Sensores de gas

Análisis exploratorio (3:16)
Estacionariedad (1:31)
Modelo VAR y Causalidad de Granger (1:54)
Diagnosis del modelo (0:51)
Pronósticos (6:27)

Casos de estudio con Python: Calidad del Aire

Preprocesamiento de datos de alta dimensión (11:59)
Análisis exploratorio (2:00)
Modelo VAR (2:49)
Pronósticos (4:03)

Detección de anomalías

Detección de anomalías en series temporales univariantes y multivariantes (40:26)

Inferencia o Impacto Causal

¿Qué es la inferencia o el impacto causal? (17:17)
Causal Impact: una librería en R y caso de estudio (19:11)
Estimando el impacto de Juego de Tronos con Python (14:01)

Resumen casos de estudio en Python: metodología y trucos

Resumen casos de estudio en Python

Final del Curso

¡Enhorabuena!

Teach online with

Introducción y conceptos de redes neuronales

Contenido de la clase bloqueado

Si ya está inscrito, deberás iniciar sesión.

Inscríbase en el curso para desbloquear