Curso de R y Python

Clase 1 • Instalación de R y RStudio

Instalar R base y el IDE RStudio en Windows, macOS y Linux. Establece el espacio de trabajo fundamental de R que se usa durante todo el curso.

Clase 2 • Gestión de paquetes y librerías

Instalar y actualizar paquetes usando CRAN en R y pip/conda en Python. Asegura que los estudiantes puedan extender ambos entornos con herramientas de terceros.

Clase 3 • Instalación de Python y Anaconda

Instalar Python mediante la distribución Anaconda y configurar Jupyter Notebook. Proporciona el espacio de trabajo de Python que refleja la configuración de R para un aprendizaje paralelo.

Clase 1 • Estructuras de flujo de control

Escribir sentencias if/else, bucles for y bucles while en ambos lenguajes. Habilita la lógica condicional y la iteración esenciales para los scripts de procesamiento de datos.

Clase 2 • Manejo de errores y depuración

Usar tryCatch en R y try/except en Python para manejar errores en tiempo de ejecución con elegancia. Fomenta hábitos de codificación defensiva críticos para scripts con calidad de producción.

Clase 3 • Escritura y llamada de funciones

Definir funciones reutilizables con parámetros, valores por defecto y sentencias return. Promueve un diseño de código modular aplicado en cada capítulo subsiguiente.

Clase 4 • Variables y tipos de datos

Declarar variables y trabajar con tipos numéricos, de caracteres, lógicos y complejos en ambos lenguajes. Construye la conciencia de tipos necesaria para toda la manipulación de datos posterior.

Clase 1 • Listas y tuplas

Almacenar datos heterogéneos en listas de R y listas y tuplas de Python. Cubre estructuras anidadas y patrones de acceso a elementos usados en pipelines de datos complejos.

Clase 2 • Vectores y arrays

Crear e indexar vectores unidimensionales en R y arrays de NumPy en Python. Establece el contenedor de datos atómico utilizado en todo el cálculo numérico.

Clase 3 • Diccionarios y conjuntos en Python

Usar diccionarios de Python para almacenamiento clave-valor y conjuntos para colecciones de elementos únicos. Proporciona las herramientas de búsqueda y deduplicación necesarias en los flujos de trabajo de limpieza de datos.

Clase 4 • DataFrames de Pandas en Python

Construir y manipular DataFrames de Pandas como la estructura tabular principal de Python. Refleja la sección de data frames de R para permitir una comparación directa entre lenguajes.

Clase 1 • Manejo de datos faltantes

Detectar, eliminar e imputar valores faltantes usando métodos base de R y Pandas. Asegura la calidad de los datos antes de los pasos de modelado o visualización.

Clase 2 • Agrupación y agregación de datos

Resumir datos por grupos usando group_by/summarize en R y groupby/agg en Python. Produce las estadísticas de resumen requeridas para la elaboración de informes y la visualización.

Clase 3 • Remodelado de datos: formatos ancho y largo

Pivotar datos entre formatos ancho y largo usando tidyr y melt/pivot de Pandas. Prepara los datos en la forma requerida por las librerías de visualización y modelado.

Clase 4 • Importación y exportación de datos

Leer archivos CSV, Excel y JSON en R y Python y escribir los resultados de vuelta al disco. Establece el pipeline de ingesta de datos que alimenta todos los pasos de transformación.

Clase 1 • Visualización estadística con Seaborn

Generar gráficos de distribución, categóricos y relacionales usando la API de alto nivel de Seaborn. Extiende Matplotlib con resúmenes estadísticos incorporados y valores predeterminados atractivos.

Clase 2 • Gráficos con Matplotlib en Python

Crear figuras y ejes usando la API orientada a objetos de Matplotlib. Proporciona la capa fundamental de gráficos de Python sobre la que se construyen Seaborn y Pandas.

Clase 3 • Personalización y exportación de gráficos

Aplicar estilos, anotaciones y configuraciones de exportación coherentes en gráficos de R y Python. Asegura que los visuales cumplan con los estándares profesionales de informes y publicación.

Clase 4 • Principios de visualización y selección de gráficos

Aplicar principios de codificación visual para elegir el gráfico correcto para cada tipo de dato. Fundamenta todo el trabajo de gráficos posterior en las mejores prácticas de diseño.

Clase 1 • Prueba de hipótesis

Ejecutar pruebas t, chi-cuadrado y ANOVA usando R y scipy.stats en Python. Permite la comparación formal de grupos y relaciones en los datos.

Clase 2 • Distribuciones de probabilidad

Muestrear y evaluar distribuciones normal, binomial y de Poisson en R y Python. Construye la base probabilística requerida para la prueba de hipótesis y el modelado.

Clase 3 • Correlación y regresión simple

Medir relaciones lineales con coeficientes de correlación y ajustar modelos de regresión lineal simple. Prepara a los estudiantes para el capítulo completo de aprendizaje automático que sigue.

Clase 4 • Intervalos de confianza y muestreo

Construir intervalos de confianza y entender la variabilidad del muestreo en ambos lenguajes. Conecta la teoría de la probabilidad con la inferencia práctica en conjuntos de datos reales.

Clase 1 • Ajuste y validación de modelos

Optimizar hiperparámetros usando búsqueda en cuadrícula y validación cruzada en ambos lenguajes. Asegura que los modelos generalicen más allá de los datos de entrenamiento antes del despliegue.

Clase 2 • Modelos de regresión

Entrenar modelos de regresión lineal y polinomial y evaluar el ajuste mediante validación cruzada. Extiende la regresión simple del Capítulo 6 a formas regularizadas y no lineales.

Clase 3 • Modelos de clasificación

Entrenar regresión logística, árboles de decisión y bosques aleatorios para tareas de clasificación. Cubre los clasificadores más utilizados en flujos de trabajo profesionales de ML.

Clase 4 • Descripción general del flujo de trabajo de aprendizaje automático

Enmarcar el pipeline completo de ML desde la definición del problema hasta la evaluación del modelo. Proporciona el mapa conceptual que organiza todas las secciones de modelado posteriores.

Clase 1 • R Markdown para informes dinámicos

Combinar código R, texto narrativo y salida en un único documento R Markdown. Permite a los analistas entregar informes reproducibles en HTML, PDF y Word.

Clase 2 • Conexión de R y Python en un solo flujo de trabajo

Llamar a Python desde R usando el paquete reticulate y pasar objetos entre sesiones. Desbloquea flujos de trabajo híbridos que aprovechan las fortalezas de ambos lenguajes.

Clase 3 • Organización del proyecto y mejores prácticas

Estructurar proyectos de R y Python con diseños de carpetas, convenciones de nomenclatura y archivos README consistentes. Asegura la mantenibilidad a largo plazo y la colaboración en equipo.

Clase 4 • Jupyter Notebooks para informes en Python

Estructurar el análisis en Jupyter Notebooks con celdas de markdown, celdas de código y salida enriquecida. Proporciona el equivalente en Python de R Markdown para documentos analíticos compartibles.