Di3 Ingeniería Industrial
Prefacio
1
Prerequisitos para el curso
1.1
Primer referencia biblográfica que puede ayudarte.
1.1.1
R para Ciencia de Datos
2
Introducción
2.1
TIPOS DE ANÁLISIS
2.1.1
Algunos aporte metodológicos
2.2
¿Cómo aporta la analítica de datos a estos problemas
2.3
El postulado de la Teoría de Darwin
2.4
Propuestas de apropiación de la Analitica de Datos.
2.5
Síntesis y aprendizaje.
3
Analítica de Datos
3.1
Teoría
3.1.1
Bases de la analítica de datos
4
Revisión de las herramientas de software y hardware disponibles
4.1
Software para celulares
4.2
Herramientas para PC
4.2.1
Análisis Bibliométrico
4.3
Análisis Cuantitativo y Porducción de Textos
4.4
Tecnologías
4.4.1
Nueral Net Tools
4.5
El impacto de las Finanzas
4.6
Casos de estudio para el aula virtual
5
Primer taller de trabajo
5.1
Encontrando a Antonov
5.1.1
Rescatas datos de excel dentro R-Cran
5.1.2
Captura de Archivo Local
5.2
Manejo de datos y estructuras
5.2.1
¿Qué columnas tienen esta tabla?
5.2.2
Pequeño análisis multivariado
5.2.3
Estudio más detallado
5.2.4
Calidad del modelo
5.2.5
Comparación
5.2.6
Predicción
5.2.7
Intervalos de confianza
5.2.8
Extrapolación
6
Bibliografía
7
Clasificación y Agrupamiento
8
Gestión del Riesgo
9
Árboles y Bosques
10
Clasificación y Clustering
11
Trabajos de alumnos
12
Datasets
13
Datasets utilizados en el curso
13.1
WASH
13.2
Impactos de la aglomeración industrial en la eficiencia ecológica y polución
13.3
Implementación de algoritmo K-Means para dispositivos eterogeneos (cpu/gpu)
13.4
(Infrastructure) Global Wine Statistics Trained Neural Net
13.5
Aerocargo Trafic Argentina - from 2014 to 2019 (no covid-19 data included)
13.6
Energy Statistical Yearbook 2018 - Statistics
13.7
Herederos
13.8
Índice de Innovación Potencial
13.9
Residuos Agrícolas
13.10
Comparación de la competitividad de Bodegas Vitícolas de Mendoza
13.11
World Compliance Association
13.12
Empresas innovadoras
13.13
Uso de Energías Alternativas
Referencias
13.14
R Markdown
13.15
Including Plots
Published with bookdown
Material de Clase
7
Clasificación y Agrupamiento
Custers, Muestreo y Entrenamiento
Aprendizaje Supervisado y No Supervisado