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
Redes Neuronales y Clusters
6.1
Implementación NeuralNet
6.1.1
Caso de estudio sistema de emergencias medicas
6.2
Contexto General
6.3
Introducción
6.4
Desarrollo
6.5
Generalizacion para la regresión lineal
6.5.1
Calidad del modelo lineal
6.5.2
Primera predicción
6.6
Construcción de la Red Neuronal
6.6.1
Grpafico de la Red Nuronal
6.7
Real vs Predicción
6.8
Validación cruzada
6.9
Resultado
6.10
Conclusiones
6.11
Referencias
7
Clusterización
7.0.1
Carga de datos desde archivos externos
7.1
Captura de datos
7.1.1
¿Desde dónde podemos cargar datos?
7.1.2
Revisión de Datos Ejemplo
7.2
Análisis Exploratorio
7.3
Historgramas Análisis de Histograma
7.4
Gráficos de Densidad
7.5
Gráficas Ralas y Análisis Multivariado
7.6
Mínimo numero de dimensiones
7.7
Análisis de Componentes Principales
8
Scores
8.1
Análisis de Clusters o Conglomerados
8.1.1
Otros gráficos de agrupamiento
9
Taller Redes Neuronales
9.1
Carge de bibliotecas
9.2
Carga de Datos
9.3
Tratamiento de variables categóricas
9.4
Histogramas superpuestos
9.5
Cuadro de campos categóricos
9.6
Profit versus País
9.7
Visualización de Tablas
9.8
Normailización
9.9
Modelo de Neural Net
9.10
Ploteo de la red Neuronal
9.11
Ploteo de la red proporcional
9.11.1
Evaluación de la performance del modelo
9.12
Predicted profit Vs Actual profit of test data.
9.13
Desnormalización de los resultados
9.14
Mejoramiento de la performance del modelo
9.15
Performance del modelo mejorado
9.16
Modelo Mejorado KPI
9.17
Neural Net Clasificación
9.18
Muestreo
9.19
Visualización del clasificador
9.20
Aramdos de set de entrenamiento y de predicción
10
Gestión del Riesgo
11
Árboles y Bosques
12
Clasificación y Clustering
13
Trabajos de alumnos
14
Datasets
15
Datasets utilizados en el curso
15.1
WASH
15.2
Impactos de la aglomeración industrial en la eficiencia ecológica y polución
15.3
Implementación de algoritmo K-Means para dispositivos eterogeneos (cpu/gpu)
15.4
(Infrastructure) Global Wine Statistics Trained Neural Net
15.5
Aerocargo Trafic Argentina - from 2014 to 2019 (no covid-19 data included)
15.6
Energy Statistical Yearbook 2018 - Statistics
15.7
Herederos
15.8
Índice de Innovación Potencial
15.9
Residuos Agrícolas
15.10
Comparación de la competitividad de Bodegas Vitícolas de Mendoza
15.11
World Compliance Association
15.12
Empresas innovadoras
15.13
Uso de Energías Alternativas
15.14
Set de datos 50 Start Ups Latinoamérica y Caribe
Referencias
15.15
R Markdown
15.16
Including Plots
Published with bookdown
Material de Clase
14
Datasets
Set de Datos y Métodos de Depuración