Introducción
. -- 1. Data Scientist, una Profesión de Moda
. -- 2. una Nueva Profesión: Citizen Data Scientist
. -- 2.1 un Objetivo Realista, Convertirse en Citizen Data Scientist
. -- 2.2 Análisis y Valoración
. -- 2.3 Animación y Especificación
. -- 2.4 Modelado e Inferencia
. -- 2.5 Despliegue y Mantenimiento en Condiciones Operativas
. -- 3. las Data Sciences
. -- 4. el Big Data
. -- 5. la Dinámica de Esta Obra
. -- 5.1 Nuestros Objetivos
. -- 5.2 la Estructura del Libro
. -- 5.2.1 los Dos Recorridos Complementarios
. -- 5.2.2 Recursos Adicionales para Utilizar
. -- 6. Pequeño Bestiario de los Data Sciences
. -- 6.1 los Fundamentos
. -- 6.1.1 Aprendizaje y Clasificación
. -- 6.1.2 Pequeño Vocabulario Gráfico de la Machine Learning
. -- 6.1.3 Regresión
. -- 6.1.4 Regresión Lineal Generalizada
. -- 6.1.5 Árboles de Decisión, Prune, Poda
. -- 6.1.6 Clustering, K-Means
. -- 6.1.7 K-Nn
. -- 6.1.8 Modelos Paramétricos
. -- 6.1.9 Lazy Algorithm (Algoritmo Perezoso)
. -- 6.1.10 Overfitting: Sobre-Determinación, Sobre-Aprendizaje
. -- 6.1.11 Validación Creciente, Regularización, Bagging
. -- 6.1.12 Optimización, Método del Gradiente
. -- 6.1.13 Algoritmo Glotón (Greedy Algorithm)
. -- 6.1.14 Programación Lineal, Simplex, Punto Interior
. -- 6.1.15 Estimación a Través del Método de Monte-Carlo
. -- 6.1.16 Entropía, Independencia e Información Mutua
. -- 6.1.17 Discretización
. -- 6.2 Métodos «Conjunto»
. -- 6.2.1 Random Forest
. -- 6.2.2 Adaboost (Adaptative Boosting)
. -- 6.3 Leyes de Probabilidad y Distribución
. -- 6.3.1 Generalidades
. -- 6.3.2 Pequeño Bestiario de las Leys de Probabilidad
. -- 6.4 los Grafos
. -- 6.4.1 Vocabulario Básico
. -- 6.4.2 Conversión de un Array de Observaciones en Grafo, Parecido
. -- 7. Informática Profesional y Data Sciences
. -- 7.1 la Tecnología
. -- 7.2 Business Intelligence Versus Big Data
. -- 7.2.1 Diferencias en Términos de Arquitectura
. -- 7.2.2 Diferencias en Términos de Uso
. -- 7.2.3 Síntesis
. -- 8. Notaciones
. -- 8.1 Notaciones de los Argumentos
. -- 8.2 Otras Notaciones
. -- 8.2.1 Funciones y Aplicaciones... F(X), D(X,Y) ...
. -- 8.2.2 Algunas Posibles Confusiones
. -- 9. Ahora le Toca a Usted
. -- Primeros Pasos con R
. -- 1. Instalación de los Componentes
. -- 1.1 Instalación y Ejecución de R
. -- 1.2 Instalación y Ejecución de Rstudio
. -- 1.3 Instalación de Nuevos Paquetes
. -- 1.4 Instalación de Paquetes: Complementos
. -- 2. Empezando con R
. -- 2.1 R, una Calculadora Eficaz
. -- 2.2 R, un Lenguaje Vectorizado
. -- 2.3 Funciones que Actúan Sobre Vectores
. -- 2.3.1 un Primer Análisis Rápido de los Datos
. -- 2.3.2 Algunas Estadísticas Simples Sobre los Vectores
. -- 2.3.3 Ordenar un Vector
. -- 2.3.4 Diversas Funciones con Suma, Producto, Mínimo y Máximo
. -- 2.4 Tipos de Datos Simples
. -- 2.4.1 los Booleanos
. -- 2.4.2 los Conjuntos
. -- 2.4.3 las Listas
. -- 2.4.4 los Factores
. -- 2.4.5 las Tablas
. -- 2.5 las Funciones
. -- 2.5.1 Creación y Utilización de una Función Simple
. -- 2.5.2 Crear un Operador a Partir de una Función de Dos Variables
. -- 2.5.3 Uso de Funciones y Ámbito de las Variables
. -- 2.5.4 Aplicaciones de las Funciones en las Matrices: Apply
. -- 2.5.5 Complementos Útiles
. -- 2.6 Estructuras de Control
. -- 2.6.1 Instrucciones Comunes con Otros Lenguajes
. -- 2.6.2 Recorrer una Matriz con Bucles For
. -- 2.7 las Cadenas de Caracteres
. -- 2.8 Formatear Números
. -- 2.9 las Fechas y las Horas
. -- 2.10 Medida de la Duración de un Algoritmo
. -- 2.11 los Números Complejos
. -- 2.11.1 Operaciones Básicas de los Números Complejos
. -- 2.11.2 Visualización de Números Complejos
. -- 2.12 Programación Orientada a Objetos
. -- 2.12.1 Clases y Objetos, Resumido
. -- 2.12.2 Constructores
. -- 2.12.3 Herencia
. -- 2.12.4 Objetos Mutables
. -- 2.12.5 Gestión de la Pila: Implementación Orientada a Objetos con Rc
. -- 3. Manipulación de los Datos
. -- 3.1 Lectura de los Datos: Aspectos Fundamentales
. -- 3.2 Manipulación de las Columnas de un Data.Frame
. -- 3.3 Cálculos Simples en un Data.Frame
. -- 3.3.1 Cálculos en las Columnas y las Filas
. -- 3.3.2 Manipulación de las Filas
. -- 3.3.3 Aplicación: Comparación Elementos de Clases y Khi-2
. -- 3.3.4 Creación de Columnas Calculadas
. -- 3.3.5 Ordenar un Data.Frame con Order()
. -- 3.4 Análisis Visual de los Datos
. -- 3.4.1 Visualización Simple de los Datos
. -- 3.4.2 Visualización de las Variables Numéricas 2 a 2, con Mención de las Clases
. -- 3.4.3 Correlaciones Entre Variables Numéricas
. -- 3.4.4 Separación por Clase, Ggplot2, Qplot
. -- 3.4.5 Visualización 3D, Relación Entre Tres Variables Numéricas
. -- 3.4.6 Gráficos por Parejas
. -- 3.4.7 Diagrama de Caja e Intento de Eliminación de los Outliers
. -- 3.4.8 Creación de un Modelo por Árbol de Decisión
. -- Dominar los Conceptos Básicos
. -- 1. Estar en Armonía con los Datos
. -- 1.1 Algunas Nociones Principales
. -- 1.1.1 Fenómeno Aleatorio
. -- 1.1.2 Probabilidad, Variable Aleatoria y Distribución
. -- 1.1.3 un Poco de Matemáticas: Notación y Definiciones Útiles
. -- 1.1.4 Momentos de una Variable Aleatoria Discreta X
. -- 1.1.5 Primeras Consideraciones Sobre los Errores y Estimaciones
. -- 1.2 Familiarizarse con sus Datos
. -- 1.2.1 R Commander
. -- 1.2.2 Rattle
. -- 2. Matrices y Vectores
. -- 2.1 Convenciones, Notaciones, Utilización Básica
. -- 2.2 Matrices, Vectores: de una Introducción Hasta la Noción de Aprendizaje Supervisado
. -- 2.3 Más Allá en la Manipulación de las Matrices con R
. -- 2.3.1 Operaciones Básicas
. -- 2.3.2 Algunos Conocimientos Prácticos Útiles Sobre las Matrices de R
. -- 2.3.3 Normas de Vectores y Normas de Matrices
. -- 2.3.4 Matrices y Vectores: Diversas Sintaxis Útiles
. -- 3. Estimaciones
. -- 3.1 Posicionamiento del Problema de Estimación
. -- 3.1.1 Formulación General del Problema
. -- 3.1.2 Aplicación y Reformulación del Problema de Estimación
. -- 3.2 los Indicadores de Desvío Utilizados en Machine Learning
. -- 3.2.1 Mse, Rmse, Sse, Sst
. -- 3.2.2 Mae, Me
. -- 3.2.3 Nrmse/Nrmsd, Cv_Rmse
. -- 3.2.4 Sdr
. -- 3.2.5 Accuracy, R2
. -- 4. Puesta en Práctica: Aprendizaje Supervisado
. -- 4.1 Preparación
. -- 4.2 Probar las Hipótesis, P_Value
. -- 4.2.1 Análisis Gráfico Interactivo con Iplots
. -- 4.2.2 Test de Breusch-Pagan y Zoom Sobre P_Value
. -- 4.3 Creación de un Modelo (Regresión Lineal Múltiple)
. -- 4.4 Establecimiento de una Predicción
. -- 4.5 Estudio de los Resultados y Representaciones Gráficas
. -- 4.6 Indicadores Actuales - Cálculos
. -- 4.7 Estudio del Modelo Lineal Generado
. -- 4.8 Conclusión Sobre el Modelo Lineal
. -- 4.9 Utilización de un Modelo «Random Forest»
. -- Técnicas y Algoritmos Esenciales
. -- 1. Construir su Caja de Herramientas
. -- 2. Representación Gráfica de los Datos
. -- 2.1 un Gráfico «Simple»
. -- 2.2 Histogramas Evolucionados
. -- 2.2.1 Distribución Multiclase
. -- 2.2.2 Mezcla de Varias Distribuciones por Clase
. -- 2.2.3 Visualización de la Densidad de una Distribución
. -- 2.2.4 Otra Mezcla por Clase
. -- 2.2.5 una Variable, un Histograma para Cada Clase
. -- 2.2.6 Gráfico con una Densidad por Clase
. -- 2.3 Diagrama de Pares y Facetas
. -- 2.3.1 Diagrama de Pares, Versión Simple
. -- 2.3.2 Clases de Configuración Xor
. -- 2.3.3 Diagrama de Pares con «Factores»
. -- 2.3.4 Facetas y Escala Logarítmica
. -- 3. Machine Learning: Prácticas Habituales
. -- 3.1 Recorrido Teórico Acelerado
. -- 3.1.1 Linealidad
. -- 3.1.2 Errores In y Out, Noción de Vc Dimensión
. -- 3.1.3 Hiperplanos, Separabilidad con Márgenes
. -- 3.1.4 Kernel Trick, Núcleos, Transformaciones, Feature Space
. -- 3.1.5 Problemas de la Regresión: Introducción a la Regularización
. -- 3.2 Práctica por Práctica
. -- 3.2.1 Cross Validation: K-Fold Cv
. -- 3.2.2 Naive Bayes
. -- 3.2.3 C4.5 y C5.0
. -- 3.2.4 Support Vector Machines (Svm)
. -- 3.2.5 Clusterisation, K-Means
. -- 4. ¿ Dónde Estamos en Nuestro Aprendizaje ?
. -- 4.1 sus Conocimientos Adquiridos Operativos
. -- 4.2 las Eventuales Lagunas que hay que Completar Ahora
. -- Marco Metodológico del Data Scientist
. -- 1. el Problema de Metodología a Nivel de Proyecto
. -- 1.1 Expresar la Necesidad
. -- 1.2 la Gestión del Proyecto
. -- 2. el Ciclo Interno de las Data Sciences
. -- 2.1 Revisión en Detalle del Problema Planteado
. -- 2.2 Trabajos Preliminares Sobre los Datos
. -- 2.2.1 Obligaciones Sobre los Datos
. -- 2.2.2 Recopilación, Limpieza y Compresión de los Datos
. -- 2.3 el Ciclo de Modelización
. -- 2.3.1 Feature Engineering
. -- 2.3.2 Modelización y Evaluación
. -- 2.3.3 Elección del Mejor Modelo
. -- 2.3.4 Prueba, Interpretación y Confrontación con el Negocio
. -- 2.4 Preparación de la Industrialización y el Despliegue
. -- 2.5 Preparación de las Siguientes Iteraciones
. -- 2.5.1 Elementos que Se Deben Tener en Cuenta
. -- 2.5.2 Documentación Gestionada por los Data Scientists
. -- 3. Complementos Metodológicos
. -- 3.1 Clasificar sus Objetivos
. -- 3.2 Trucos
. -- Procesamiento del Lenguaje Natural
. -- 1. Posicionamiento del Problema
. -- 2. Análisis Semántico Latente y Svd
. -- 2.1 Aspectos Teóricos
. -- 2.1.1 Svd: Generalidades
. -- 2.1.2 una Justificación de la Descomposición Svd
. -- 2.1.3 Svd en el Contexto Lsa
. -- 2.1.4 Interpretación
. -- 2.1.5 Alternativa no Lineal, Isomap (Mds, Geodésica, Variedad, Manifold)
. -- 2.2 Puesta en Práctica
. -- 2.2.1 Inicialización
. -- 2.2.2 en el Corazón de Lsa
. -- 2.2.3 Resultados
. -- 2.2.4 Manipulaciones, Interpretaciones Recreativas y no Fundadas
. -- Grafos y Redes
. -- 1. Introducción
. -- 2. Primeros Pasos
. -- 2.1 Algunas Nociones y Notaciones Adicionales Básicas
. -- 2.2 Manipulaciones Sencillas de Grafos con R
. -- 2.3 Estructura de los Grafos
. -- 3. Grafos y Redes (Sociales)
. -- 3.1 Análisis de las Redes Sociales: Conceptos Básicos
. -- 3.2 Puesta en Práctica
. -- 3.3 Detección de Comunidades
. -- Otros Problemas Otras Soluciones
. -- 1. Series Temporales
. -- 1.1 Introducción
. -- 1.2 Modelo Estacional
. -- 1.2.1 Procesos Estacionales: Aspectos Básicos
. -- 1.2.2 Proceso Autorregresivo Ar: Ir Más Allá
. -- 1.2.3 Consideraciones (Muy) Útiles
. -- 1.3 Procesos no Estacionales
. -- 1.3.1 el Modelo Arima
. -- 1.3.2 Procesos Estacionales: Sarima
. -- 1.3.3 Modelos Arch y Garch
. -- 1.3.4 Convolución y Filtros Lineales
. -- 1.4 Puesta en Práctica
. -- 1.4.1 Aspectos Básicos de la Manipulación de las Series Temporales en R
. -- 1.4.2 Estudio de Series Temporales
. -- 1.4.3 Predicciones Sobre Arima (Ar Ma Sarima)
. -- 1.5 Minibestiario Arima
. -- 2. Sistemas Difusos
. -- 2.1 Introducción
. -- 2.2 la Lógica Difusa en la Práctica (Sistemas Expertos)
. -- 3. Enjambre (Swarm)
. -- 3.1 Swarm y Optimización: el Algoritmo Pso
. -- 3.1.1 Presentación de Pso
. -- 3.1.2 Descripción de Pso
. -- 3.2 Puesta en Práctica de Pso
. -- Feature Engineering
. -- 1. Feature Engineering, Conceptos Básicos
. -- 1.1 Posicionamiento del Problema
. -- 1.2 a Qué hay que Prestar Atención
. -- 1.2.1 la Calidad de la Distribución
. -- 1.2.2 la Naturaleza de las Features
. -- 1.3 Dominar la Dimensionalidad
. -- 1.4 una Solución Verificada: la Pca
. -- 1.5 un Ejemplo Sencillo de Utilización de la Pca
. -- 1.6 los Valores Desconocidos y las Features Mal Condicionadas
. -- 1.7 Creación de Nuevas Features
. -- 1.8 a Modo de Conclusión
. -- 2. Pca Clásico, Elementos Matemáticos
. -- 3. Reducción de los Datos (Data Reduction)
. -- 4. Reducción de la Dimensionalidad y Entropía
. -- 4.1 Descripción Teórica del Problema
. -- 4.2 Implementación en R y Discusión
. -- Complementos Útiles
. -- 1. Gam: Generalización de Lm/Glm
. -- 2. Manipulación de Imágenes
. -- 2.1 Creación, Visualización, Lectura y Escritura de Imágenes
. -- 2.2 Transformación de las Imágenes
. -- 2.2.1 Ejemplos de Manipulación del Color y de las Intensidades
. -- 2.2.2 Ejemplos de Manipulación de la Geometría de la Imagen
. -- 2.2.3 Aplicación de Filtros Sobre las Imágenes
. -- 3. Como Crear una Muestra: Lhs (Hypercube Latin)
. -- 4. Trabajar Sobre Datos en el Espacio
. -- 4.1 Variograma
. -- 4.1.1 Campo y Variable Regionalizada
. -- 4.1.2 Determinación del Variograma
. -- 4.2 Krigeage (Kriging)
. -- 4.2.1 la Teoría, en Resumen
. -- 4.2.2 Implementación en R
. -- 5. Conocimientos Prácticos Útiles
. -- 5.1 Trazar una Curva Roc
. -- 5.2 una Red Neuronal (Primeros Pasos Hacia el Deep Learning)
. -- 6. Gradiente Boosting y Generalized Boosted Regression
. -- 6.1 los Grandes Principios
. -- 6.2 los Argumentos y los Usos (Paquete Gbm)
. -- 6.2.1 Covarianza
. -- 6.2.2 Loss
. -- 6.2.3 Optimización del Algoritmo
. -- 6.3 Puesta en Práctica
. -- Full Stack R
. -- 1. ¿ por Qué Este Capítulo ?
. -- 2. Programación Funcional Y/O Defensiva
. -- 3. Persistencia, Bases de Datos y R
. -- 4. Paralelización
. -- 5. Recolectar Datos Externos
. -- 6. Crear una Api con R
. -- Compartir sus Análisis
. -- 1. Escribir en Markdown
. -- 1.1 Introducción
. -- 1.2 Sintaxis de Markdown
. -- 2. Crear un Archivo R Markdown
. -- 2.1 Encabezado de R Markdown
. -- 2.2 Formatear el Código
. -- 2.3 Insertar y Ejecutar Código R
. -- 2.4 Ejecutar Código R
. -- 2.5 Generar el Informe
. -- 2.6 Publicar su Informe con Rpubs
. -- 3. Crear su Primera Aplicación Shiny
. -- 3.1 Introducción
. -- 3.2 Instalación en Rstudio y Preámbulo
. -- 3.3 Organizar los Archivos de la Aplicación
. -- 3.4 Sintaxis de los Inputs y Outputs
. -- 3.5 Paginación y Organización Visual del Contenido
. -- 3.6 Modificar el Tema de la Aplicación
. -- 3.7 Generar la Aplicación
. -- 3.8 Desplegar la Aplicación en la Web
. -- 3.9 Shiny Dashboard
. -- Cartografía
. -- 1. ¿ por Qué Estudiar las Representaciones Cartográficas ?
. -- 2. Acceder a la Información Geográfica
. -- 3. Creación de Mapas Estáticos con R
. -- 4. Creación de Mapas Dinámicos con R
. -- En Torno a los Datos
. -- 1. Presentación del Capítulo
. -- 2. Captura Directa y Rápida de un Dataset
. -- 3. Análisis de la Conformación de las Distribuciones Respecto a la Distribución Normal
. -- 4. Dependencia Lineal Entre Variables
. -- 5. Resalte de las Diferencias Entre las Distribuciones
. -- 6. Puntos Atípicos
. -- 7. Ordenaciones y Agregaciones
. -- 7.1 Ordenaciones Automatizadas
. -- 7.2 Cálculos Sobre las Agregaciones
. -- 7.3 Extracción, Pivotado y Ordenación Rápida de Datos de un Dataframe
. -- 7.4 Utilización de los Joins
. -- 7.4.1 Enriquecimiento de un Dataframe Usando Joins
. -- 7.4.2 Joins de Decodificación o Transformación; Ej.: Factor To Integer
. -- 7.5 Aplicar Funciones Variables a los Datos
. -- 7.6 Complementos en Materia de Metaprogramación
. -- 7.6.1 Quoting Aplicado a los Gráficos
. -- 7.6.2 Definición de una Macro
. -- Análisis Numérico y Matemáticas Operativas
. -- 1. Cálculos Numéricos del Tipo Matlab
. -- 1.1 Consideraciones Prácticas
. -- 1.2 Visión General de la Precisión de Nuestra Máquina
. -- 1.3 un Paquete que Tiene las Mismas Instrucciones que Matlab
. -- 1.4 Algunos Complementos para los Números Complejos
. -- 1.5 Algunos Complementos Sobre las Matrices
. -- 1.5.1 Creación de Matrices Básicas
. -- 1.5.2 Creación de Matrices de Números Aleatorios
. -- 1.5.3 Cálculos Sobre las Matrices de Enteros
. -- 2. un Poco de Álgebra Lineal
. -- 2.1 Ejemplo de Creación de una Base Ortonormal
. -- 2.2 Proyección Sobre Subespacios Vectoriales
. -- 3. Funciones y Sistemas de Ecuaciones, 1 a N Variables
. -- 3.1 Función de una Variable
. -- 3.1.1 Exploración de Varias Trazas
. -- 3.1.2 Sobre las Raíces de una Función
. -- 3.2 Función de Varias Variables
. -- 3.2.1 Representación de una Función Real de Dos Variables Reales
. -- 3.2.2 Búsqueda del Mínimo de una Función de Dos Dimensiones
. -- 3.3 Sistema de Ecuaciones no Diferenciales, Lineales o No
. -- 3.3.1 Sistema de Ecuaciones Lineales
. -- 3.3.2 Sistema de Ecuaciones no Lineales no Diferenciales, N = M
. -- 4. Derivación de Funciones
. -- 4.1 Derivada Simbólica y Numérica con R-Base
. -- 4.2 Derivadas Usando Paquetes Específicos
. -- 4.3 Derivada de Funciones Especiales
. -- 5. Sobre la Integración
. -- 5.1 Cálculo de una Integral Múltiple
. -- 5.2 Otras Integrales, la Integral Impropia
. -- 6. Funciones Especiales y Ecuaciones Diferenciales
. -- 6.1 Otras Funciones Especiales
. -- 6.1.1 Funciones de Airy y de Bessel
. -- 6.1.2 la Función de Error Erf
. -- 6.2 Ecuación Diferencial Ordinaria Normalizada de Orden 1
. -- 6.3 Ecuación Diferencial de Segundo Grado (Problema de los Límites)
. -- 6.3.1 Eqd Lineal (2.º Grado)
. -- 6.3.2 Eqd no Lineal (2.º Grado)
. -- 7. Elementos Prácticos de Cálculo Diferencial
. -- 7.1 Funciones Reales de un Real
. -- 7.2 Funciones Reales de un Vector
. -- 7.2.1 Cálculo de las Derivadas Parciales
. -- 7.2.2 Cálculos de Operadores que Usan las Derivadas Parciales
. -- 7.3 Funciones Vectoriales de un Vector
. -- 8. Cálculo Simbólico con Sympy
. -- 8.1 Documentación para Consultar
. -- 8.2 Acceder a los Resultados en R Markdown
. -- R y Python
. -- 1. una Polémica Estéril, Pero Real: ¿ R o Python ?
. -- 2. Ejemplos de Códigos R y Python Comparables
. -- 2.1 Códigos Triviales
. -- 2.2 Paquetes
. -- 2.3 Funciones Simples
. -- 2.4 Estructuras de Datos
. -- 2.5 Booleanos
. -- 2.6 Programación Básica
. -- 2.7 Creación de Funciones
. -- 2.8 Bloques e Indentación
. -- 2.9 Datasets
. -- 3. Acceder a Python Desde R
. -- 3.1 Instalar e Inicializar el Contexto Técnico
. -- 3.2 Interacciones R y Python Desde el Punto de Vista de R
. -- 3.2.1 Compartir Variables y Ejecución de Código Python en el Biotipo R
. -- 3.2.2 Librerías Python en el Código R, Ejemplos Nlp
. -- 4. Consideraciones Sobre los Casos Complicados
. -- Deep Learning con Tensorflow y Keras
. -- 1. Deep Learning Según Google
. -- 2. Instalar e Inicializar su Contexto Técnico
. -- 3. Tensores Tensorflow/Keras
. -- 3.1 Forma de los Tensores
. -- 3.2 Manipular Tensores
. -- 3.3 Otro Uso del Framework
. -- 4. Puesta a Punto de un Modelo de Referencia Usando Caret
. -- 5. Crear un Modelo con Tensorflow 2 y Keras
. -- 5.1 Inicializar y Preparar los Datos
. -- 5.2 Etapa 1: Describir la Estructura de Red
. -- 5.3 Etapa 2: Compilar el Modelo
. -- 5.4 Etapa 3: Training
. -- Bigml, Machine Learning para Todos
. -- 1. Introducción
. -- 2. ¿ para Quién ?
. -- 3. Presentación del Enfoque
. -- 4. Manipulación de las Fuentes de Datos
. -- 5. Creación de Proyectos
. -- 6. Manipulación de los Datasets
. -- 7. División del Juego de Datos
. -- 8. Creación de un Modelo de Machine Learning
. -- 8.1 Argumentos de los Modelos
. -- 8.2 Visualización del Modelo
. -- 8.3 Filtrado y Poda
. -- 8.4 Otras Visualizaciones
. -- 9. Evaluación del Modelo
. -- 10. Compartir sus Modelos
. -- 11. Realizar una Primera Predicción
. -- 12. Utilización del Modelo en R
. -- Despliegue Shiny en su Propio Cloud
. -- 1. Introducción
. -- 2. Alquiler de un Servidor
. -- 3. Creación de una Máquina Virtual
. -- 4. Conectarse en Remoto a su Máquina
. -- 4.1 Instalación del Cliente Ssh
. -- 4.1.1 Openssh
. -- 4.1.2 Git Bash
. -- 4.2 Generación de las Claves Pública y Privada
. -- 4.3 Gestión de Paquetes
. -- 5. Añadir los Componentes de Software Básicos
. -- 6. Instalación de R y Shiny
. -- 7. Configuración de Red y Linux
. -- 7.1 Configurar la Vcn (Virtual Cloud Network)
. -- 7.2 Gestión del Firewall
. -- 7.3 Obtener una Aplicación de Monitoring: Htop
. -- 7.4 Obtener un Servidor Http (Apache)
. -- 7.5 Instalación de Webmin
. -- Anexos
. -- 1. Utilidad de Estos Anexos
. -- 2. Fórmulas
. -- 3. Estrategias en Función de la Naturaleza de los Datos
. -- 3.1 Conteos
. -- 3.2 Proporciones
. -- 3.3 Variable de Respuesta Binaria
. -- 3.4 Datos que Inducen un Modelo Mixto (Mixed Effect)
. -- 3.5 Gráficos
. -- 3.6 Análisis de Supervivencia (Survival Analysis)
. -- 4. Filtros (Sobre Imágenes)
. -- 5. Distancias
. -- 6. Trucos y Pequeños Consejos
. -- 6.1 Sobre las Pruebas
. -- 6.2 Gestión de las Variables
. -- 6.3 Análisis y Manipulación de Resultados
. -- 6.3.1 Residuos
. -- 6.3.2 Manipulación de los Modelos
. -- 7. Paquetes y Temas para Estudiar
. -- 7.1 Crear su Propio Paquete
. -- 7.2 Reglas de Asociación
. -- 7.3 Exportar un Modelo
. -- 7.4 Tensores
. -- 7.5 Svm para la Detección de Novedades (Novelty Detection)
. -- 8. Vocabulario y «Tricks Of The Trade»
. -- 8.1 Complementos Sobre las Bases del Machine Learning
. -- 8.2 Complementos Sobre los Aspectos Bayesianos
. -- 8.3 Vocabulario (Del Inglés) de los Modelos Gaussianos
. -- 9. Algoritmos que Se Deben Estudiar
. -- 10. Algunas Formulaciones del Álgebra Lineal
. -- 11. Bibliografía
. -- Conclusion