Análisis de datos

Curso de Análisis de datos ACI777 Facultad Ingeniería y Negocios UDLA.

Profesora: Melissa Alegría.

(Si tienes alguna duda, escribir a malegriaa@udla.cl CC al ayudante del curso fe.sepulveda.c@gmail.com)

Aquí encontrarás parte del material del curso como clases en pdf, anuncios, links a material suplementario. Recordar que la plataforma blackboard es el canal oficial de información.

El análisis de datos y el machine learning han conquistado la industria moderna, algunas tareas del machine learning son:

• Sugerir resultados en búsquedas online.
• Reconocimiento de voz en smartphones y software de ofimática.
• Predecir comportamiento de clientes, el clima y un gran etcétera.

En este curso entenderemos el concepto de datos, sus formatos; procesos fundamentales como la limpieza (curación o Data cleaning), métricas explorativas que nos permitiran conducir el análisis, generar visualizaciones y poder realizar el procesamiento para la construcción de modelos predictivos. Desde un componente práctico y uno teórico.

AVISOS

Entrega Ejercicio Evaluado 2 : 10 de Octubre de 2021 hasta las 23:59 hrs.

Martes 12 de Septiembre 2021 : Cátedra 1 : Entra todo lo pasado hasta el día 05 de Octubre 2021.

Unidad I - Introducción

En esta unidad veremos una introducción a todo lo que es el análisis de datos y mostraremos ejemplos de diversos trabajos donde el análisis de datos es relevante. Adicionalmente, instalaremos los toolkits/herramientas necesarias que utilizaremos durante el curso.

1. Introducción al análisis de datos, toolkit y ejemplos prácticos.

   1. Clase 1 en formato PDF
   2. Material suplementario: Tutorial de instalación de Anaconda
   3. Material suplementario: Introducción a Jupyter Notebooks
   4. Práctico en Python en Jupyter Notebooks, es necesario descargar estos datos en la misma carpeta
   5. Enlace a la grabación de la Clase1 link1 y link2

2. Repaso de Python

   1. Clase 2 en formato PDF
   2. Repaso de Python en Jupyter Notebooks: primera parte
   3. Enlace a la grabación de la Clase 2 link

3. Paquetes para cálculo científico, ciencia de datos y aprendizaje automático.

   1. Repaso de Python en Jupyter Notebooks: segunda parte o puedes descargar el Jupyter Notebooks: segunda parte en Zip
   2. Enlace a la grabación de la Clase 3 link
   3. Material suplementario: ¿Qué es Git? e Intalación a Git

4. Evaluación: En esta clase vamos a revisar los ejercicios resueltos y desarrollaran el primer ejercicio evaluado Ejercicio 1

Link grabación de hoy 07 Sep 2021

El ejercicio se envia en formato .zip a malegriaa@udla.cl CC fe.sepulveda.c@gmail.com en archivo de jupyter-notebook hasta el día 07 de Septiembre de 2021 hasta las 23:59 hrs. Asunto del correo : Ejercicio evaluado 1 ACI777

Ejercicio Evaluado 1 soluciones

descargar Zip

Unidad II - Estadística descriptiva/predictiva, Datos y Pandas

En esta unidad repasaremos herramientas de estadística descriptiva y luego exploraremos el paquete Pandas de Python.

1. Estadística Descriptiva

   1. Estadistica Descriptiva I jupyter-notebook y datos en csv https://github.com/malegria01/AnalisisDatos/blob/main/data/censo.csv

   2. Enlace grabación de la clase 21 sept. 2021

   3. Estadística Descriptiva II Archivos de la clase. Vamos a ver formatos de archivos de datos, manipulación con pandas y exploración de datos

   4. Material suplementario (2 horas) Coursera

   5. Enlace a la grabación de la clase 28 sept. 2021

2. Filtrado de datos.

   1. Material de la Clase
   2. Grabación de la Clase link

Corrección EJERCICIO EVALUDO 2 --> PREGUNTA 16

Los tramos de edad son los sgtes:

0 a 19 años (menores edad)
20 y más (mayores edad)

3. EJERCICIO EVALUADO 2 ACTUALIZADO

El ejercicio se envia en formato .zip a malegriaa@udla.cl CC fe.sepulveda.c@gmail.com en archivo de jupyter-notebook hasta el día 10 de Octubre de 2021 hasta las 23:59 hrs. Asunto del correo : Ejercicio evaluado 2 ACI777

5. Toma de decisiones.

Unidad III - Aprendizaje de Máquina y aprendizaje No Supervisado

1. Clasificación.
2. Redes para clasificación de datos
3. Clustering
4. Reducción de dimensionalidad.
5. Visualización.

Unidad IV Aprendizaje Supervisado

1. Regresión Lineal y Regresión Logística.
2. Máquinas de vectores de soporte (SVM)
3. Arboles de decisión y Random Forest.

Unidad V - Deep Learning

1. Redes neuronales.