Type to search
Big Data ambiental
Información del curso
Ligas
1
Introducción a R y visualización
1.1
R: primeros pasos
R en análisis de datos
Paquetes y el Tidyverse
Recursos
1.2
Visualización con ggplot2
Recursos
2
Manipulación y agrupación de datos
2.1
Transformación de datos
Separa-aplica-combina (
split-apply-combine
)
Ejemplos y lectura de datos
Filtrar
Seleccionar
Ordenar
Mutar
Summarise y resúmenes por grupo
Operador pipeline
Variables por grupo
Verbos de dos tablas
2.2
Datos limpios
Limpieza bases de datos
Los encabezados de las columanas son valores
Una columna asociada a más de una variable
Variables almacenadas en filas y columnas
Mas de un tipo de observación en una misma tabla
Una misma unidad observacional está almacenada en múltiples tablas
Otras consideraciones
Recursos adicionales
3
Funciones e iteración
3.1
Funciones
Estructura de una función
Observaciones del uso de funciones
3.2
Iteración
Ciclos for
Programación funcional
4
Introducción a Cálculo de Probabilidades
4.1
Juegos de azar
4.2
Probabilidad como extensión de proporción
4.3
Interpretación frecuentista de probabilidad
Resultados empíricos acerca de frecuencias relativas
4.4
Simulación para el cálculo de probabilidades
4.4.1
Espacios equiprobables continuos
4.5
Modelos de probabilidad (definición general)
Espacios discretos
4.5.1
Espacios continuos
4.6
Probabilidad: definición matemática
4.6.1
Propiedades de la función de probabilidad:
4.7
Variables aleatorias
Distribución de probabilidad
Variables aleatorias continuas
4.8
Distribuciones multivariadas
Regla de Bayes
Independencia
5
Redes bayesianas
Intoducción: Modelos gráficos
¿Por qué modelos gráficos?
5.1
Gráficas dirigidas
Probabilidad conjunta y factorizaciones
5.1.1
Factorizaciones de la conjunta y gráficas dirigidas.
5.1.2
Redes bayesianas
5.1.3
Independencia condicional y redes bayesianas
5.1.4
Flujo de información probabilística
5.1.5
Caminos: pelota de Bayes
5.2
Flujo de probabilidad y d-Separación
5.2.1
Equivalencia Markoviana
5.2.2
Resumen
5.2.3
Ejemlos
6
Clase miércoles 13/marzo/2019 Inecol
6.0.1
Aprendizaje automatizado de redes bayesianas
6.1
Identificación de la estructura
6.1.1
Hill-climbing, escalada simple o ascenso de colina
6.1.2
complejidad y score AIC
6.1.3
Incorporando información acerca de la estructura
6.1.4
Sentido de las aristas
6.1.5
Variaciones de Hill-climbing
7
Caso jurídico (usando
momios
- odds)
7.1
Más allá de una duda razonable:
in dubio pro reo
8
Ejemplo de red bayesiana “Asia”
8.1
Preparación de la red
8.2
Aprendizaje de la estructura de la red
8.2.1
Basado en la puntuación:
8.3
“Aprendizaje de parámetros” o “estructuración de la red”
8.4
Validación del modelo
8.5
Inferencia
9
Ejemplo dulces en bolsas
10
Ejemplos: 1 dulces
10.0.1
Ejemplo dulces en bolsas
11
Ejemplo: Bayes en juicio
11.0.1
Caso jurídico (usando momios - odds)
11.1
Más allá de una duda razonable:
in dubio pro reo
12
Clase miércoles 18/marzo/2019 Inecol
12.1
Big Data
12.2
¿Cómo convertirse en una organización que toma decisiones basadas en datos?
12.2.1
Recolección y acceso a datos
12.2.2
Reportes y alertas
12.2.3
De reportes y alertas a análisis
12.2.4
Tecnología
12.3
¿Qué es ciencia de datos?
12.4
Práctica: introducción a control de versiones
13
Clase miércoles 19/marzo/2019 Inecol
13.1
Básicos de programación en R
13.1.1
Las secciones principales de nuestro ambiente de desarrollo en RStudio
13.1.2
R como una calculadora
13.1.3
Asignación de objetos en R
13.1.4
Funciones en R
13.2
Scripts en R
13.2.1
¿Qué es un script?
13.2.2
Diagnósticos de RStudio
13.3
R como una plataforma SIG
13.3.1
Introducción
13.3.2
Matrices y data frames
13.3.3
Rasters, primeros pasos
13.3.4
Análisis de Rasters usando R
13.3.5
Capas vectoriales, primeros pasos
13.3.6
Análisis de capas vectoriales usando R
13.3.7
Juntando todo
14
Clase Jueves 21/marzo/2019 Inecol
14.1
Pipelines
14.1.1
¿Qué es un pipeline?
14.1.2
Un ejemplo
14.1.3
Muchos pipelines
14.2
APIs
14.2.1
¿Qué es una API?
14.2.2
¿Qué es un archivo JSON?
14.2.3
Organizando organizaciones con APIs
14.3
¿Cómo escoger tecnología?
15
Clase Viernes 22/marzo/2019 Inecol
15.1
Un Pipeline simple implementado en R - SDMs
15.2
Machine Learning
15.3
¿Qué es el deep learning?
15.4
¿Qué es el reinforcement learning?
Referencias
Publicado con bookdown
Facebook
Google+
Twitter
LinkedIn
Weibo
Instapaper
A
A
Serif
Sans
White
Sepia
Night
PDF
EPUB
Big Data Ambiental
Sección 13
Clase miércoles 19/marzo/2019 Inecol
Básicos de programación en R
Scripts en R
R como una plataforma SIG