PARTE 1: INTRODUCCIÓN AL LENGUAJE DE PROGRAMACIÓN RUd.1 - PROGRAMACIÓN CON R

• ¿Qué es R?
• Instalación de software
• Desarrollo proyecto en RStudio
• Vectores y Matrices
• Listas
• DataFrames
• ¿Qué hacer con los Missing Values?
• Evaluación

Ud.2 – ESTADÍSTICA EN R

• Funciones estadísticas
• Tipo de estadística por grupo de datos
• Relación entre variables
• Distribuciones de probabilidad
• Correlación multivariable
• Descripción de dataset
• Gráficos de nubes depuntos
• Matrices de gráficos
• Trabajando con variables cualitativas
• Evaluación

PARTE II. MACHINE LEARNINGUd.3 - INTRODUCCIÓN A MACHINE LEARNING

• Introducción a Machine Learning
• Tipos de algoritmos
• Diferencia entre aprendizaje supervisado y no supervisado
• Aprendizaje supervisado
• Aprendizaje no-supervisado
• Aplicaciones de Machine Learning
• Evaluación

Ud.4 – REGRESIÓN LINEAL

• Errores en la estimación
• Regresión lineal simple
• Residual Sum of Squares (RSS)
• Análisis de los parámetros estimados
• Estimación de parámetros en R
• Precisión del ajuste del modelo
• Regresión Lineal Múltiple
• Gráficos
• Evaluación

Ud.5 - MACHINE LEARNING

• Regresión logística
• Clasificación K Nearest Neighbors (K-NN)
• Árboles de decisión
• Support Vector Machines (SVM)
• Evaluación

Ud.6 - CLUSTERING

• K-means Clustering
• Hierarchical Clustering
• Evaluación

PARTE III. SISTEMAS DE INFORMACIÓN GEOGRÁFICA Y MACHINE LEARNINGUd.7 - ANÁLISIS DE DATOS VECTORIALES Y R

• Capas vectoriales tipo punto
• Capas vectoriales tipo línea
• Capas vectoriales tipo polígono
• Uso del paquete “rgeos“
• Evaluación

Ud.9 - TRABAJANDO CON DATOS SIG

• Uso de datos SIG en R
• Machine Learning en un SIG
• Evaluación

PARTE IV: INTERACCIÓN CON LOS DATOSUd.10 - ¿QUÉ ES RSHINY?

• Despliegue aplicación web interactiva
• Evaluación

PARTE V: PROYECTOUd.11 - DESARROLLO PROYECTO DEL CURSO

En esta unidad se establecerán las bases para el desarrollo del proyecto del curso