Curso de R y Python

Lección 1 • Instalación de R y RStudio

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

Lección 2 • Gestión de paquetes y librerías

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

Lección 3 • Instalación de Python y Anaconda

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

Lección 1 • Estructuras de flujo de control

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

Lección 2 • Manejo de errores y depuración

Use tryCatch en R y try/except en Python para manejar errores en tiempo de ejecución de forma elegante. Desarrolla hábitos de codificación defensiva, críticos para scripts de calidad de producción.

Lección 3 • Escritura y llamado de funciones

Defina funciones reutilizables con parámetros, valores predeterminados y sentencias de retorno. Promueve un diseño de código modular aplicado en cada capítulo posterior.

Lección 4 • Variables y tipos de datos

Declare variables y trabaje con tipos numéricos, de carácter, lógicos y complejos en ambos lenguajes. Construye la conciencia de tipos necesaria para toda manipulación de datos posterior.

Lección 1 • Listas y tuplas

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

Lección 2 • Vectores y arreglos

Cree e indexe vectores unidimensionales en R y arreglos de NumPy en Python. Establece el contenedor de datos atómico utilizado en toda computación numérica.

Lección 3 • Diccionarios y conjuntos en Python

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

Lección 4 • DataFrames de Pandas en Python

Construya y manipule 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.

Lección 1 • Manejo de datos faltantes

Detecte, elimine e impute valores faltantes usando métodos base de R y Pandas. Asegura la calidad de los datos antes de los pasos de modelado o visualización.

Lección 2 • Agrupación y agregación de datos

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

Lección 3 • Reestructuración de datos: formatos ancho y largo

Pivote 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.

Lección 4 • Importación y exportación de datos

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

Lección 1 • Visualización estadística con Seaborn

Genere gráficos de distribución, categóricos y relacionales utilizando la API de alto nivel de Seaborn. Extiende Matplotlib con resúmenes estadísticos integrados y valores predeterminados atractivos.

Lección 2 • Graficación con Matplotlib en Python

Cree figuras y ejes usando la API orientada a objetos de Matplotlib. Proporciona la capa de graficación fundamental de Python sobre la cual se construyen Seaborn y Pandas.

Lección 3 • Personalización y exportación de gráficos

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

Lección 4 • Principios de visualización y selección de gráficos

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

Lección 1 • Prueba de hipótesis

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

Lección 2 • Distribuciones de probabilidad

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

Lección 3 • Correlación y regresión simple

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

Lección 4 • Intervalos de confianza y muestreo

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

Lección 1 • Ajuste y validación de modelos

Optimice 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.

Lección 2 • Modelos de regresión

Entrene modelos de regresión lineal y polinomial y evalúe el ajuste usando validación cruzada. Extiende la regresión simple del Capítulo 6 a formas regularizadas y no lineales.

Lección 3 • Modelos de clasificación

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

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

Enmarque 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.

Lección 1 • R Markdown para informes dinámicos

Combine código R, texto narrativo y resultados en un solo documento R Markdown. Permite a los analistas entregar informes reproducibles en HTML, PDF y Word.

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

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

Lección 3 • Organización de proyectos y mejores prácticas

Estructure 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.

Lección 4 • Jupyter Notebooks para informes en Python

Estructure el análisis en Jupyter Notebooks con celdas de markdown, celdas de código y resultados enriquecidos. Proporciona el equivalente en Python de R Markdown para documentos analíticos compartibles.