R y Python para Data Science y Análisis de Datos
Introducción a Python
Python: Instalación
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
Python: Series Temporales
Python: Mapas con Geopandas
Data Science en Python
Introducción a R
R: Instalación
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
R: Gráficas simples
R: Visualización con la librería ggplot2
R: Series temporales
Data Science con R
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
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
Análisis Factorial
Escalamiento Multidimensional
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
Regresión Lineal Múltiple y Regularización
Material adicional: Estadística Multivariante
Introducción a la Estadística Robusta
Análisis de datos atípicos y outliers
Conceptos básicos I
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
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
Material adicional: Análisis robusto de datos
Los datos que dependen del tiempo
Introducción a las Series Temporales
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
Modelos AR autorregresivos
Modelos MA: medias móviles
ARMA: autoregresivo de medias móviles
ARIMA: autoregresivo integrado de medias móviles
ARCH
Auto ARIMA
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
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
Casos de estudio con R-Studio: Datos macroeconómicos de Filipinas
Casos de estudio con R-Studio: Comodities Oro y Plata
Casos de estudio con R-Studio: Datos macroeconómicos mayor dimensión
Casos de estudio con R-Studio: Mercado financiero europeo
Resumen casos de estudio en R: metodología y trucos
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
Casos de estudio con Python: Crecimiento salarial y el proceso de inflación
Casos de estudio con Python: Sensores de gas
Casos de estudio con Python: Calidad del Aire
Detección de anomalías
Inferencia o Impacto Causal
Resumen casos de estudio en Python: metodología y trucos
Final del Curso
