• Presentación
  • I MODELOS ANALÍTICOS
  • 1 Modelizar
    • 1.1 ¿Qué es Modelizar?
    • 1.2 ¿Qué es un modelo analítico?
  • 2 Tipos de Problemas
    • 2.1 Enfoques de Modelización
  • 3 Catálogo de Técnicas
    • 3.1 Técnicas de Clustering
    • 3.2 Técnicas de Clasificación
    • 3.3 Técnicas de Regresión
    • 3.4 Técnicas de Reducción de Dimensión
    • 3.5 Otras ‘Técnicas’
    • 3.6 ¿Qué técnica utilizar?
  • 4 Evaluación de modelos
    • 4.1 Diagnosis de Negocio
    • 4.2 Evaluación en Respuesta Binaria
      • 4.2.1 Clasificación
      • 4.2.2 Medidas de desigualdad
    • 4.3 Evaluación en Respuesta Continúa
      • 4.3.1 Modelos de Regresión
      • 4.3.2 Modelos de Series temporales
    • 4.4 Evaluación en Clustering
      • 4.4.1 Silueta
    • 4.5 Métodos de re-muestreo
      • 4.5.1 Training & testing
      • 4.5.2 Cross validation
    • 4.6 Práctica en R
      • 4.6.1 Preparación de los datos
      • 4.6.2 Clasificación
      • 4.6.3 Regresión
  • II Modelos Estadísticos
  • 5 Regresión Lineal
    • 5.1 ¿Qué es un Modelo de Regresión?
      • 5.1.1 Ver también:
    • 5.2 Práctica en R
      • 5.2.1 Regresión lineal simple
      • 5.2.2 Regresión lineal múltiple
  • 6 Regresión Logística
    • 6.1 Modelos Lineales Generalizados
    • 6.2 Modelo Logit
    • 6.3 Modelo Probit
    • 6.4 Práctica en R
      • 6.4.1 Otros ejemplos
  • 7 Series Temporales
    • 7.1 ¿Qué es una Serie Temporal?
    • 7.2 Herramientas de Análisis
      • 7.2.1 Autocorrelación (acf y pacf)
      • 7.2.2 Operadores (del Tiempo)
    • 7.3 Alisado Exponencial
    • 7.4 ARIMA
      • 7.4.1 Parte AR (Autorregresiva)
      • 7.4.2 Parte MA (Medias Móviles)
    • 7.5 Funciones de Transferencia
    • 7.6 Práctica en R
      • 7.6.1 Ver también
    • 7.7 A manera de nota final
  • III Machine Learning
  • 8 Introducción
    • 8.1 Aprendizaje supervisado
      • 8.1.1 Una reflexión
    • 8.2 Aprendizaje no supervisado
  • 9 Aprendizaje no supervisado
    • 9.1 K-medias (k-means)
      • 9.1.1 El modelo
      • 9.1.2 Un ejemplo gráfico
      • 9.1.3 Limitaciones del algoritmo
      • 9.1.4 Ventajas y desventajas
      • 9.1.5 Implementación en R
      • 9.1.6 Evaluación
      • 9.1.7 Determinar el número de clústers óptimo
    • 9.2 Hierarchical clustering
      • 9.2.1 Modelo
      • 9.2.2 Implementación en R
  • 10 Aprendizaje Supervisado
    • 10.1 Árboles de decisión
      • 10.1.1 En R
      • 10.1.2 Ventajas y desventajas
    • 10.2 Bagging y Random Forest
      • 10.2.1 En R
    • 10.3 Boosting
      • 10.3.1 Optimización de parámetros
      • 10.3.2 En R
    • 10.4 Explicación de predicción
      • 10.4.1 Un ejemplo en R
  • ANEXO
  • A Sobre in-training
  • B Colaboradores
  • References

Modelización en R

B Colaboradores

Alicia Morales alicia.morales@innova-tsn.com
Alicia Muñoz alicia.munoz@innova-tsn.com
Alvaro Díaz alvaro.munoz@innova-tsn.com
Andrés Devia andres.devia@innova-tsn.com
Daniel Vélez daniel.velez@innova-tsn.com
Diego Fernández diego.fernandez@innova-tsn.com
Jaume Puigbó jaume.puigbo@innova-tsn.com
Juan Luis Rivero juan.rivero@innova-tsn.com
Pablo Hidalgo pablo.hidalgo@innova-tsn.com
Romy Rodríguez romy.rodríguez@innova-tsn.com