Reproducción automática
Autocompletar
HTML5
Flash
Player
Velocidad
lección anterior
Completar y continuar
Ciencia de datos profesional con R
Introducción
01 y 02 - Introducción. Instalando R (23:05)
03 - La estructura data frame (13:15)
04 - Variables (13:03)
05 - Leyendo datos (19:56)
06 - Leyendo datos con fechas (13:15)
07 - texto (8:48)
Funciones y modelos
08 - Funciones (11:37)
09 - La familia apply de funciones (10:05)
10 - Histogramas (12:56)
11 - Generando numeros aleatorios (14:59)
12 - Densidad y funcion de distribución acumulada (17:26)
13 - Comparando distribuciones (9:47)
14 - El paquete sqldf: parte 1 (16:50)
15 - El paquete sqldf: parte 2 (17:55)
16 - Variables dummy (12:23)
17 - La función lm : parte 1 (19:58)
18 - La función lm: parte 2 (13:45)
19 - Comparando modelos (19:56)
20 - Normalidad, residuos y transformaciones (19:31)
21 - Modelos dogleg (12:35)
22 - Modelos de efectos mixtos : parte 1 (17:34)
23 - Modelos de efectos mixtos : parte 2 (19:16)
Regresiones
24 - Regresion robusta (19:36)
25 - Regresion logistica : parte1 (19:08)
26 - Regresion logistica : parte2 (19:49)
27 - Regresion logistica : parte3 (19:52)
28 - Regresion logistica: parte4 (19:57)
29 - Regresion de Poisson : parte1 (19:54)
30 - Regresion de Poisson : parte 2 (14:43)
31 - Regresion de Poisson : parte 3 (3:21)
32 - Regresion no lineal (19:45)
Métodos avanzados
33 - XGBOOST - Como funciona? (16:24)
34 - XGBOOST: parametros (8:10)
35 - XGBOOST para regresion (14:38)
37 - Búsqueda en grillas con XGBOOST con el paquete CARET (17:10)
38 - XGBOOST para clasificación (8:50)
39 - Eligiendo componentes principales y proyectando los datos (20:02)
40 - Usando componentes principales para regresión (20:01)
41 - Introduccion a machine learning con CARET (13:04)
42 - CARET: preprocesando los datos: parte1 (16:46)
43 - CARET: preprocesando los datos: parte2 (19:38)
44 - Sonido (5:23)
45 - CARET: train vs fitmodel - ajustando modelos (11:39)
46 - La tecnica de Naive Bayes (Bayes ingenuo) (16:20)
47 - SVM (maquinas de vectores de soporte) - parte1 (19:26)
48 - SVM (maquinas de vectores de soporte) - parte2 (16:49)
49 - Lasso, Ridge y Elasticnet (19:59)
50 - GLMNet (11:16)
51 - ExtraTrees (15:46)
52 - Bosques aleatorios (19:59)
53 - Bagged CARTS (bolsas de carts) (11:22)
54 - Bosques aleatorios oblicuos (8:19)
55 - Adaboost (19:57)
56 - Stochastic Gradient Descent (10:34)
57 - Boosted logistic regression (regression logistica) (9:30)
58 - Perceptrones multicapas (18:57)
59 - K-medias (17:10)
60 - DBSCAN (20:00)
61 - Detection de novedades (7:21)
62 - Outliers (7:07)
63 - Introduccion sencilla a Python - Instalando Keras (19:52)
64 - Usando Keras - Capas parte1 (19:52)
65 - Usando Keras - Capas parte2 (12:37)
66 - Llamando a Keras desde R: Regresion (11:27)
67 - Neural nets: Clasificación (11:49)
68 - Temas básicos de series de tiempo (19:26)
69 - El ACF y PACF (15:30)
70 - El paquete auto.arima (19:52)
71 - Prediciendo temperaturas globales con auto.arima (8:51)
72 - Prediciendo el PBI de EEUU con auto.arima (3:31)
73 - Geo datos con Google Maps (5:09)
74 - Plots interactivos con iPlots (13:34)
75 - Creando paquetes de R (19:55)
Examen final
Examen final
24 - Regresion robusta
Contenido de la lección bloqueado
Ya estás inscrito
necesitas iniciar sesión
.
Inscribirse en el curso para desbloquear