mamutCola

Sobre el curso

Este curso forma parte de un conjunto de cursos que cubren las necesidades actuales de investigadores en distintas áreas y ámbitos de conocimiento.

Están destinados a aquellos jóvenes investigadores que desean iniciarse en el mundo multivariante desde la perspectiva del análisis descriptivo, así como del aprendizaje automatizado.

¿Cómo vamos a trabajar?

Se trata de un curso teórico-práctico y vamos a trabajar presentando los aspectos básicos y practicando con ejemplos. En el curso trataremos las técnicas de análisis de datos multivariantes, evitando en lo posible los aspectos más formales, abordando las cuestiones desde un punto de vista eminentemente práctico. Se hará una introducción a las técnicas de aprendizaje automatizado (machine learning), así como al empleo de curvas ROC y sus aplicaciones. Se estudiarán las técnicas de ordenación y clasificación más habituales sus aplicaciones y ejemplos prácticos.

El curso está dirigido a alumnos de doctorado con conocimientos básicos en R y elaboración de informes y documentos sencillos en Rmarkdown. En su caso es recomendable haber realizado los cursos de Introducción a R y Rstudio, Procedimientos para la elaboración de informes y documentos científico-técnicos, Representación y tabulación de datos, o tener los conocimientos considerados en esos cursos.

¿Qué vas a aprender?

• Conocer las más habituales técnicas multivariantes existentes.

• Saber aplicar las técnicas multivariantes con R.

• Ser capaz de interpretar y elaborar informes de los resultados.

• Saber aplicar los fundamentos del aprendizaje automatizado para el diseño de análisis.

• Ser capaz de construir en R una curva ROC e interpretar el resultado.

• Ser capaz de combinar los resultados de distintos análisis multivariantes. para mejorar la interpretación de los resultados.

Contenidos y secuenciación

Vamos a organizar los contenidos del curso en módulos y en cada uno de ellos encontrarás textos, ejemplos y materiales de autoevaluación.

1. Primeros pasos: empezamos nuestro viaje con unas consideraciones previas y algunos conceptos básicos pero importantes (enlace).

2. Curvas ROC. Fundamentos y aplicaciones: Veremos a través de un ejemplo en qué consisten, cómo se elaboran y que significado tienen (enlace).

3. Aprendizaje automatizado supervisado: Trataremos de los fundamentos básicos de algunos de los muchos algoritmos de aprendizaje automatizado existentes, y veremos su implementación en R con ejemplos (enlace).

4. Análisis multivariante: ordenación: Veremos algunas técnicas multivariantes de ordenación, como PCA, MDS, CA, FA (No os preocupéis, veremos lo que significan esas siglas). (enlace).

5. Análisis multivariante: clasificación: Trataremos dos técnicas de clasificación multivariante muy populares: la clasificación jerárquica e iterativa (enlace).

6. Extra bonus: Repaso del curso y otros materiales de interés (enlace).

Para empezar

• Ten a mano una copia de estos documentos en papel pues te servirán como mapas:

  

  Caret::Cheat sheet
  

  Machine Learning Modelling::Cheat sheet

• Fijate que en el uso de tipografías y aspectos formales en este documento.

  Para una mayor claridad en la documentación usaremos en los distitos textos algunas reglas tipográficas básicas recurriendo a distintas fuentes:
  

  ---

  para texto Así aparecerá el texto normal.

  para código El código literal que sea necesario reproducir.

  para cursiva Resaltaremos con cursiva términos técnicos o términos en otra lengua.

  para negrita Títulos de apartados, muy excepcionalmente palabras a destacar.

  \(para\;\) Para escribir con notación matemática. \(matem\acute{a}ticas\)

  para un enlace El subrayado solo se utilizará cuando exista referencia a un hipervinculo o enlace.

  ---

Documentación de referencia

En la red (y en las librerías) existe multitud de libros e información sobre el tema. Aquí os dejamos algunos enlaces a libros interesantes, sin que sirva esto de menosprecio al resto de información existente.

• Un libro sobre machine learning: Machine Learning Essentials: Practical Guide in R

  

  Machine Learning Essentials: Practical Guide in R

• Otro libro sobre análisis multivariante con R:

  

  R Markdown en Rstudio

• Para todo lo demás recurre a un motor de búsqueda: bing, duckduckgo, google, … o si lo prefieres algún otro.

• Si necesitas traducir textos, en particular de información técnica sobre los distintos temas del curso, en alguna lengua europea prueba .

Licencia

Curso on line Autónomo Métodos de análisis de datos multivariantes: Un refrescante curso con sabor cola by Fernándo Pérez Sanz, M. Francisca Carreño Fructuoso, José Antonio Piqueras Mellado, Jesús María Méndez Pérez, Rául Sánchez Sánchez, José Antonio Palazón Ferrando is licensed under a Creative Commons Reconocimiento-CompartirIgual 4.0 Internacional License.