Analizando datos con modelos estadísticos, matemáticos y de ML usando Python y R

Objetivo Recopilación de ejemplos de Estadística, análisis de datos y ML aplicados con librerias de Python y R

Temario de los ejercicios

Scipy: Computo científico
- https://www.scipy.org/
Pandas: Estructuras de datos y análisis
- https://pandas.pydata.org/
Numpy: Estructuras de N dimensiones
- https://numpy.org/
SKlearn: Aprendizaje automático
- https://scikit-learn.org/stable/
SymPy: Matemáticas simbolicas
- https://www.sympy.org/en/index.html
Statsmodels Modelos estadísticos, hypothesis tests, and data exploration
- https://www.statsmodels.org/stable/index.html
TensorFlow: TensorFlow ofrece herramientas para la definición y entrenamiento de redes neuronales.
- https://www.tensorflow.org/
Keras: Keras se ofrece como interfaz de alto nivel para librerías como TensorFlow, Theano o CNTK.
- https://keras.io/
NLTK: Librería de procesamiento de lenguaje natural, con multitud de herramientas orientadas al análisis de textos.
- https://www.nltk.org/
XGBoost, LightGBM: Librerías que implementan los algoritmos homónimos, fundamentales en entornos tabulares.
- https://lightgbm.readthedocs.io/en/latest/
- https://xgboost.readthedocs.io/en/latest/

Seaborn: Visualización de datos basada en Matplotlib. Capa adicional de abstracción
- https://seaborn.pydata.org/
Matplotlib: Gráficado en 2D
- https://matplotlib.org/
Bokeh: Tercera librería de visualización de esta lista, aunque en este caso no está basada en Matplotlib. Bokeh ofrece visualizaciones interactivas muy atractivas y útiles.
- https://docs.bokeh.org/en/latest/

Pyreadstat A python package to read and write sas (sas7bdat, sas7bcat, xport), spps (sav, zsav, por) and stata (dta) data files into/from pandas dataframes.
- https://github.com/Roche/pyreadstat
Graphviz Requerido para trabajar con gráficos y arboles de decisión
- https://pypi.org/project/graphviz/
- https://graphviz.gitlab.io/_pages/Download/Download_windows.html

Algunos consejos:

Comenzar con los datos sin procesar y responder a cuatro preguntas básicas acerca de los mismos, que nos pueden ayudar a caracterizarlos.

La primer pregunta se refiere a si los datos pueden tomar valores discretos o continuos.
La segunda pregunta que nos debemos hacer, hace referencia a la simetría de los datos y si hay asimetría, en qué dirección se encuentra; en otras palabras, son los valores atípicos positivos y negativos igualmente probables o es uno más probable que el otro.
La tercer pregunta abarca los límites superiores e inferiores en los datos; hay algunos datos, como los ingresos, que no pueden ser inferiores a cero, mientras que hay otros, como los márgenes de operación que no puede exceder de un valor (100%).
La última pregunta se refiere a la posibilidad de observar valores extremos en la distribución; en algunos casos, los valores extremos ocurren con muy poca frecuencia, mientras que en otros, se producen con mayor frecuencia.

Enviame un pullrequest con un nuevo notebook con ejemplos detallados sobre algún tema de interés o contáctanos para poder colaborar

GNU General Public License v3.0