www.cienciadedatos.net Open in urlscan Pro
35.231.210.182  Public Scan

Form analysis
3 forms found in the DOM

POST https://www.paypal.com/donate

<form action="https://www.paypal.com/donate" method="post" target="_top">
  <input type="hidden" name="hosted_button_id" value="6NULYFYDKFTQL">
  <input type="image" src="https://www.paypalobjects.com/en_US/ES/i/btn/btn_donateCC_LG.gif" border="0" name="submit" title="PayPal - The safer, easier way to pay online!" alt="Donate with PayPal button">
  <img alt="" border="0" src="https://www.paypal.com/en_ES/i/scr/pixel.gif" width="1" height="1">
</form>

POST #

<form method="post" action="#">
  <input type="text" name="query" id="query" placeholder="Search">
</form>

POST https://www.paypal.com/donate

<form action="https://www.paypal.com/donate" method="post" target="_top">
  <input type="hidden" name="hosted_button_id" value="6NULYFYDKFTQL">
  <input type="image" src="https://www.paypalobjects.com/en_US/ES/i/btn/btn_donateCC_LG.gif" border="0" name="submit" title="PayPal - The safer, easier way to pay online!" alt="Donate with PayPal button">
  <img alt="" border="0" src="https://www.paypal.com/en_ES/i/scr/pixel.gif" width="1" height="1">
</form>

Text Content

Ciencia de datos, teoría y ejemplos prácticos en R y Python



CIENCIADEDATOS.NET


CIENCIA DE DATOS, ESTADÍSTICA, MACHINE LEARNING Y PROGRAMACIÓN

cienciadedatos.net es una web de divulgación con material formativo sobre
estadística, algoritmos de machine learning, ciencia de datos y programación en
R y Python.

Mantente informado de las nuevas publicaciones suscribiéndote a nuestro
Newsletter.

 * Linkedin
 * Git Hub
 * 


APRENDE PASO A PASO CON LAS ESPECIALIZACIONES


MACHINE LEARNING PYTHON

 * Empezar


MACHINE LEARNING R

 * Empezar


ESTADÍSTICA CON R

 * Empezar


ESTADÍSTICA CON PYTHON

 * Empezar


ÚLTIMOS ARTÍCULOS

Mantente informado de las nuevas publicaciones suscribiéndote a nuestro
Newsletter


INTRODUCCIÓN A GRAFOS Y REDES CON PYTHON

Teoría y ejemplos sobre cómo crear y analizar redes con NetworkX y python.

 * Leer


MULTI-SERIES FORECASTING CON PYTHON Y SKFORECAST

Modelos de forecasting para predecir múltiples series temporales de forma
simultánea.

 * Leer


USO DE MACHINE LEARNING PARA LA TOMA DE DECISIONES FINANCIERAS

Ejemplo de cómo utilizar modelos de Machine Learning para asistir en la toma de
decisiones sobre el instrumento financiero S&P500.






 * Leer


INTERVALOS DE PREDICCIÓN EN MODELOS DE FORECASTING

Métodos con los que estimar intervalos de predicción para modelos de machine
learning aplicados a problemas de forecasting.

 * Leer


AUTORES


JOAQUÍN AMAT RODRIGO

 * Ver artículos


FRANCISCO ESPIGA

 * Ver artículos


JAVIER ESCOBAR ORTIZ

 * Ver artículos


FERNANDO CARAZO MELO

 * Ver artículos


ROBERTO KRAMER PINTO

 * Ver artículos


ARTÍCULOS DESTACADOS


INTRODUCCIÓN A LOS MODELOS GAMLSS

Introducción práctica a los modelos GAMLSS (modelos aditivos generalizados para
posición, escala y forma)

 * Leer


ANOVA CON R

Apuntes de cómo realizar los distintos tipos de ANOVA en R para comparar
múltiples medias.

 * Leer


DETECCIÓN DE ANOMALÍAS CON AUTOENCODERS Y PCA

Ejemplos de cómo detectar anomalías con Autoencoders y PCA empleando el error de
reconstrucción.

 * Leer


RANDOM FOREST CON PYTHON

Tutorial sobre cómo crear modelos Random Forest con Python y Scikit-learn

 * Leer


SKFORECAST

Skforecast, librería de Python que facilita el uso de modelos scikit-learn para
problemas de forecasting y series temporales.

 * Leer


INFORMACIÓN DE CONTACTO

 * j.amatrodrigo@gmail.com

 * Linkedin
 * Git Hub
 * 


CONTENIDOS

 * Inicio
 * Regresión lineal R
   * Correlación lineal y regresión lineal simple
   * Regresión lineal múltiple
   * Selección de predictores: subset selection, ridge, lasso y reducción de
     dimensionalidad
   * Ejemplo práctico de regresión lineal simple, múltiple, polinomial e
     interacción entre predictores
   * Regresión logística
   * Análisis discriminante lineal (LDA) y Análisis discriminante cuadrático
     (QDA)
   * Tobit Regression: modelos lineales para datos censurados
   * Regresión cuantílica: modelos lineales
   * Introducción a los modelos GAMLSS
 * Machine Learning supervisado R
   * Validación de modelos: Cross-validation, OneLeaveOut, Bootstrap
   * Regresión no lineal: Regresión Polinómica, Splines, Smooth Splines y GAMs
   * Árboles de decisión, Random Forest, Gradient Boosting y C5.0
   * SVM Máquinas de Vector Soporte (Support Vector Machines)
   * Graficos ICE
   * Regresión cuantílica: Quantile Regression Forest
   * Distributional Regression Forest: Random Forest probabilístico
   * Regresión cuantílica: Gradient Boosting Quantile Regression
   * Regresión cuantílica: modelos GAMLSS
   * Algoritmo Perceptrón
   * Redes neuronales con R
   * Machine Learning con R y Caret
   * Machine Learning con H2O y R
   * Machine learning con R y tidymodels
   * Machine learning con R y mlr3
   * Algoritmo genético para selección de predictores
   * H2O, IML y DALEX
   * Optimización bayesiana de hiperparámetros
   * Reglas de asociación y algoritmo Apriori
   * Sistemas de recomendación
 * Machine Learning no supervisado R
   * Análisis de Componentes Principales (PCA) y t-SNE
   * Clustering y heatmaps con R
   * Text mining con R
   * Detección de anomalías con Autoencoders y PCA
   * Detección de anomalías con trimmed k-means
   * Detección de anomalías con Isolation Forest
   * Detección de anomalías: ALSO
 * Regresión lineal Python
   * Regresión lineal
   * Regresión logística
   * Regularización Ridge, Lasso y Elastic Net
 * Machine Learning supervisado Python
   * Machine learning con Python y Scikitlearn
   * Árboles de decisión con Python: regresión y clasificación
   * Random Forest con Python y Scikit-learn
   * Grid search de modelos Random Forest con out-of-bag error y early stopping
   * Gradient Boosting con Python y Scikit-learn
   * Gradient Boosting probabilístico con Python
   * Máquinas de Vector Soporte (SVM)
   * Redes neuronales con Python
   * Gráficos ICE y PDP para interpretar modelos predictivos
   * Calibrar modelos de machine learning
   * Regresión cuantílica: intervalos de predicción con Random Forest Python
   * Machine Learning con H2O y Python
   * Algoritmo genético para selección de predictores Python
 * Machine Learning no supervisado Python
   * Análisis de componentes principales PCA
   * Clustering
   * Detección de anomalías con PCA
   * Detección de anomalías con autoencoders
   * Detección de anomalías con Gaussian Mixture Models
   * Detección de anomalías con Isolation Forest
 * Estadística R
   * Análisis de normalidad
   * Análisis de homocedasticidad
   * T-test
   * Test de hipótesis para proporciones
   * Test Wilcoxon-Mann-Whitney
   * Test de los rangos con signo de Wilcoxon
   * Anova con R
   * Test Kruskal-Wallis
   * Test de Friedman
   * Test binomial exacto, test multinomial y test chi-cuadrado goodnes of fit
   * Test exacto de Fisher, chi-cuadrado de Pearson, McNemar y Q-Cochran
   * Resampling: Test de permutación, Simulación de Monte Carlo y Bootstrapping
   * Comparaciones múltiples: corrección de p-value y FDR
   * Comparación de distribuciones: test Kolmogorov–Smirnov
   * Ajuste de distribuciones con R
 * Estadística Python
   * Análisis de normalidad
   * Análisis de homocedasticidad
   * Correlación lineal
   * Ajuste y selección de distribuciones
   * Comparación de distribuciones con Python: test Kolmogorov–Smirnov
   * Kernel density estimation KDE
   * Test de permutación
   * Bootstrapping
   * T-test
   * ANOVA.
   * U-test
 * Forecasting Python
   * Forecasting con Python y Scikitlearn
   * Multi-series forecasting
   * Predicción (forecasting) de la demanda eléctrica
   * Predicción (forecasting) de las visitas a una web
   * Forecasting series temporales con gradient boosting: Skforecast, XGBoost,
     LightGBM y CatBoost
   * Predicción del precio de Bitcoin con Python
   * Intervalos de predicción en modelos de forecasting
   * Skforecast
 * Graph Machine Learning Python
   * Introducción a grafos y redes con python
 * Optimización R
   * Algoritmos genéticos (GA)
   * Enjambre de partículas (PSO)
 * Optimización Python
   * Algoritmos genéticos (GA)
   * Enjambre de partículas (PSO)
   * Optimización campañas marketing
 * Píldoras programación R
   * Crear GIF con R
   * Mapa de España con ggplot2 y R
 * Píldoras programación Python
   * Logging con Python
   * Paralelizar bucle for
 * Casos prácticos R
   * Text mining con R: ejemplo práctico Twitter
   * Clasificacion de tumores con Machine Learning
   * Análisis farmacogenómico
 * Casos prácticos Python
   * Análisis Tweets con Python
   * Multi-armed bandit para la elección del landing page
   * Predicción (forecasting) de la demanda eléctrica
   * Optimización campañas marketing
   * Sistema de recomendación de vinos con transfer learning y búsqueda
     semántica
   * Reconocimiento facial con deep learning y python
   * Optimización de agendas y horarios con python
   * Análisis de puntos de interés con OpenStreetMap
   * Uso de Machine Learning para la toma de decisiones financieras
   * Programación lineal para la resolución de flujos en cuotas de mercado
   * Detecting "things" with edge computing and the cloud
   * ¿Cómo es el trabajo de un científico de datos?


INFORMACIÓN DE CONTACTO

 * j.amatrodrigo@gmail.com

 * Linkedin
 * Git Hub
 * 







© This work by Joaquín Amat Rodrigo is licensed under a Creative Commons
Attribution 4.0 International License. Design: HTML5 UP.

Toggle