EEA-UBA 2021

Ayudantes

Juan Manuel Barriola

Sofía Perini

Clase 1: 21-08

Presentación / Encuesta inicio de curso

Clase 2: 28-08

Fundamentos de programación en R: entorno, objectos, estructuras de datos, loops, control flow y funciones

• [Introducción al entorno R](clase 1/Clase 1 - Introduccion a R.nb.html)
• [Loops, condicionales y funciones](clase 1/Clase 1 - Loops, condicionales y funciones.nb.html)
• [Ejercicios](clase 1/Clase 1 - Ejercicios -Consignas .nb.html)
• [Resueltos](clase 1/Resueltos/Clase 1 - Ejercicios -Resueltos.R)

Datasets para ejercicios

• Dataset EPH

Clase 3: 04-09

Introducción al paquete Tidyverse: trabajo con datasets (dplyr y tidyr), fechas (lubridate), strings (stringr) y gráficos (ggplot2)

• [Tidyverse](clase 2/Clase 2 - Tidyverse.nb.html )
• [Ejercicios](clase 2/Clase 2 - Ejercicios.nb.html )
• [Resueltos](clase 2/resueltos)

Datasets para ejercicios

• Dataset dólar
• Dataset IPC
• Dataset ataques tiburones
• Dataset EPH

Material opcional

• [Gráficos de kernels y tendencias](clase 2/Clase 2 - Kernels y Tendencias (OPCIONAL).nb.html)
• [Distintos tipos de Join](clase 2/Clase 2. Distintos tipos de Join (OPCIONAL).nb.html)

Clase 4: 11-09

Estimación y test de correlación entre 2 variables. Matrices de correlación: librerías corrr y GGally

• [Correlación](clase 3/Clase-3---Correlacion.html)

Análisis exploratorios, limpieza de datos, análisis de outliers e interpretación de los coeficientes de un modelo lineal simple

• [Regresión Lineal Simple: Modelo e interpretación](clase 3/Clase-3---Regresion-Lineal-Simple.html)

Dataset Notebook Modelo Lineal

• Dataset Encuesta Sueldos IT

Clase 5: 18-09

Inferencia sobre los parámetros, test de significatividad global y R-cuadrado

• [Regresión Lineal Simple: Evaluación y diagnóstico](clase 4/Clase-4---Regresion-Lineal-Simple-Eval.html)

Introducción a programación funcional con Tidyverse PURRR

• [Tidyverse:PURRR](clase 4/PURRR.nb.html)

Clase 6: 25-09

Diagnóstico de modelo lineal simple

• [Regresión Lineal Simple: Evaluación y diagnóstico](clase 4/Clase-4---Regresion-Lineal-Simple-Eval.html)

Modelo lineal desde el enfoque de Machine Learning: random search y grid search de parámetros, función objetivo y métodos de optimización para hallar los valores de los parámetros

• [Regresión Lineal Simple: Enfoque de Machine Learning](clase 5/modelo_lineal_enfoque_ml_resuelto.nb.html)

Un ejemplo de Shiny App sobre Overfitting (basado en https://github.com/apapiu/Shiny-Apps)

• [Shiny App](clase 5/shiny/overfitting/app.R)

Clase 7: 02-10

Interpretación de coeficientes en Regresión Lineal Múltiple, inclusión de variables categóricas y test de significatividad individual

• [Regresión Lineal Múltiple: Parte I](clase 6/Clase 6 - Regresion Lineal Multiple.nb.html)

Dataset Notebook Modelo Lineal Múltiple

• Dataset Properati
• [Preprocesamiento Dataset Properati](clase 6/Preprocesamiento Dataset Properati.nb.html)

Clase 8: 16-10

Evaluación y diagnóstico del modelo. Explicación vs predicción.

• [Regresión Lineal Múltiple: Parte II](clase 7/Clase 7 - Regresion Multiple II.nb.html)

Dataset Preprocesado Modelo Lineal Múltiple

• [Datos Properati Preprocesados](clase 6/properati_preprocesado.csv)

Clase 9: 23-10

Extensiones del Modelo de Regresión Lineal Múltiple.

• [Extensiones Modelo Lineal Múltiple](clase 8/Clase 8 - Molelo log(price).nb.html)

Clase 10: 30-10

Regresión Logística: modelo de clasificación. Interpretación de coeficientes, métricas y gráficos de evaluación del modelo y evaluación de performance.

Problema del desbalanceo de clases: comportamiento del modelo, estrategia de oversampling y su efecto en el modelo

• [Regresion Logistica](clase 9/logit.nb.html)

Clase 11: 06-11

Regularización: modelos Ridge, Lasso y Elastic Net y trade off sesgo-varianza

• [Regularizacion: Ridge, Lasso y Elastic Net](clase 10/regularizacion.html)

Datasets para técnicas de regularización

• [Diccionario de términos NBA](clase 10/diccionario_terminos.csv)
• [Datos de estádisticas de juego de la NBA](clase 10/ nba_player_stats_salary_2019_2020.csv)

Clase 12: 13-11

Smoothing, GAM y Prophet.

• [Prophet: implementacion de GAM para series de tiempo](clase 11/prophet_shopping.nb.html)

Clase 13: 27-11

Examen final integrador.

Clase 14: 4-12

Redes Neuronales.

• Redes I: Fully Conected Neural Networks