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
10.1
Definiciones:
10.1.1
Dsiminuir Riesgo = Aumentar la Certidumbre
10.2
KNN
10.2.1
Kesimo Vecino Más Próximo
10.2.2
Cargar datos frontera pareto
10.3
Riesgo y Estacionalidad
10.4
ARIMA S-ARIMA
10.4.1
Introducción
10.4.2
Business as Usual
10.5
Caso de estudio
10.5.1
Pre-Análisis Exploratorio de Datos (PAED)}
10.6
Ajuste del modelo
10.6.1
Tabla con caption
10.6.2
Tabla escalada
10.7
Tabla a lo ancho
10.8
Tablas centradas
10.8.1
Elección del mejor modelo
10.8.2
Medidas de diagnostico
10.8.3
Prueba de Box-Ljung
10.8.4
Función auto.arima ():
10.8.5
Predecir utilizando un modelo ARIMA
11
Árboles Clasificadores y Toma de Decisión
11.1
11.2
Clasificación con Diagrama Aluvial
11.3
Detalle de las variables categóricas
11.4
Valores de Empleos Generados (Freq)
11.4.1
Enálisis del ploteo de Empleos
11.4.2
Histograma de Montos Financiados
11.5
Montos Financiados
11.5.1
Creando el Diagrama
11.5.2
Algunos ejemplos de aluvial
11.6
Árboles de Decisión (clasificación)
11.7
Uso de un árbol de decisión
11.7.1
Entrenamiento del arbol
11.7.2
Nivel 1 del Árbol
11.7.3
Nivel 2
11.7.4
Nivel 3
11.7.5
Vista gráfica del arbol
12
Taller de ARIMA
12.1
El caso de consumo de Cemento de la Provincia de Jujuy
12.2
Test de Phillips-Perron (KPSS Unit Root Test)
12.3
Obtener el precio de las acciones.
12.4
Ejercicio de la cotización de HOLCIM Argentina
12.4.1
Gráfica de Precios
12.4.2
Gráfica de Volatilidad
12.4.3
Gráfica de Precios
12.4.4
Gráfica de Volatilidad
12.5
Bibiografía del capítulo
13
Minería de Texto
13.1
Análisis de Sentimiento
14
Politica Industrial, Desarrollo e Innovación
15
Análisis de Sentimiento con R
16
Preguntas
17
Preparación
18
Comando
19
Visualización
20
Importando los datos
21
Cargas datos en memoria
22
Nuestros datos lucen así:
23
Descargamos este léxico de la siguiente dirección:
24
Aplicación del léxico
25
Este léxico luce así:
26
Peparando los datos
27
Convirtiendo tuits en palabras
28
Analítica
29
Cambio Columna
30
Con esto estamos listos para empezar.
31
Totales
32
Únicas
33
Palabras Positivas
34
Similitudes
35
Resultados
36
Tendencias
37
Ploteo de resultados
38
Tendencia de Candidatos
39
Usando LOESS (regression local)
40
LOESS
41
Tendencia
42
Identificación
43
Ajuste Lineal
44
Clarificación
45
Usando la media móvil
46
Media Móvil
47
Comparación de Gráficas
48
Proporciones
49
Imagen positiva y Negativa
50
Imagen Positiva y Negativa por Fecha
51
Bloxplots (diagrama caja y bigotes)
52
Boxplot
53
Dinámica de los cambios
54
Dinámica
55
Usando densidades
56
Densidad
57
Tendencias Dinámicas
58
Para concluir
59
Datasets
60
Datasets utilizados en el curso
60.1
WASH
60.2
Impactos de la aglomeración industrial en la eficiencia ecológica y polución
60.3
Implementación de algoritmo K-Means para dispositivos eterogeneos (cpu/gpu)
60.4
(Infrastructure) Global Wine Statistics Trained Neural Net
60.5
Aerocargo Trafic Argentina - from 2014 to 2019 (no covid-19 data included)
60.6
Energy Statistical Yearbook 2018 - Statistics
60.7
Herederos
60.8
Índice de Innovación Potencial
60.9
Residuos Agrícolas
60.10
Comparación de la competitividad de Bodegas Vitícolas de Mendoza
60.11
World Compliance Association
60.12
Empresas innovadoras
60.13
Uso de Energías Alternativas
60.14
Set de datos 50 Start Ups Latinoamérica y Caribe
Referencias
60.15
R Markdown
60.16
Including Plots
Published with bookdown
Material de Clase
35
Resultados
tuits_afinn <-
tuits_afinn
%>%
filter
(Palabra
!=
"no"
)