Welcome to TxADM’s documentation!

Part 1

• Introducción
  • Datos
    • Ciencia de datos
  • Tecnologías

Introducción a R

• El entorno de R
• Conceptos básicos
• Vectores
• Factores
• Manipulación de strings
• Datos
• Dataframes
• Dataframes con librerías
• Datos Relacionales
• Series temporales
• Visualización

Git

• Git & Github
• Configurar git
• Crear un repositorio local
• Sincronizar el repositorio local con Github
• Ramas
• Ventajas de github
• Git R

Introducción a Python

• Datos
• Control del flujo del programa
• Datos estructurados

Part 2

Pandas

• Pandas
• Carga de datos
• Guardando un dataframe
• Estructura del dataframe
• Modificación del dataframe
• Concatenación y unión de dataframes
• Agrupaciones de datos
• Categorización de datos
• Gestionando la ausencia de datos
• Series Temporales
• Actividades
• Visualización
• Matplotlib
• Tipos de Visualizaciones
• Biblioteca Seaborn

Librería Numpy

• Librería Numpy
  • Generación
  • Actividades
  • Carga y volcado de datos
  • Carga de datos con Pandas a Numpy (solución no-ideal)
  • Operaciones con series numpy
  • Funciones sobre series
  • Actividades
  • Restructurando la dimensión de una serie
  • Actividad
  • Operaciones de Slicing
  • Funciones propias vectorizadas
  • Operaciones con Grupos
  • Funciones de estadística
  • Gestión de alertas y errores
  • Reflexiones sobre el rendimiento computacional y algorítmico
  • Actividad Final

Data pipelines

• Concepto de data pipeline
  • Ejemplos
  • Actividad
  • Referencias
• Comandos: CRON y CRONTAB
  • Ventajas
  • Vamos a crear un proceso donde su lanzamiento esté gestionado por CRON
  • Actividad
• Apache Airflow
  • Instalación y uso de la librería
  • Un primer DAG con Apache Airflow
  • Actividad del módulo
  • Referencias

Machine Learning techniques

• Introducción a las técnicas de Machine Learning (ML)
  • ¿Qué es Machine Learning?
  • Tareas más recurrentes en ciencias de datos
  • ¿Qué ocurre con un algoritmo tradicional en estas tareas?
  • ¿Cómo afronta el problema un algoritmo de aprendizaje?
  • Tipos
  • A) Aprendizaje supervisado
  • B) Aprendizaje no supervisado
  • Elección de algoritmo
  • Bibliografía
• Modelling
  • El proceso de aprendizaje
  • Selección de Atributos
  • Ganancia y Entropía de Información con Python
  • Un ejemplo de ML algorithm
  • La evaluación de un modelo de entrenamiento
  • Rendimiento Computacional
• Actividad de Regresión Lineal
• Algoritmos Supervisados: Predicción
  • Obtención de datos
  • Predicción con ARIMA
  • Predicción con un algoritmo supervisado
  • Más allá de la regresión lineal simple
  • Métricas para problemas de regression
• Ejercicio
• Ejercicio
  • Ejercicio
• Aprendizaje supervisado: la clasificación
  • Algoritmo lineal: Logistic Regression
  • Algoritmo lineal: Support Vector Machine
  • Algoritmo lineal con multiclase: SVM
  • Hacia otros casos de clasificación multiclase
  • Clasificación no lineal
• Algoritmos no supervisados: Agrupamiento / Clustering
  • K-Means
  • Spectral Clustering

Note

This project is under active development.