Udemy

Platform

Español

Language

Math

Category

Curso avanzado de estadística multivariante con R y Python

Aprende a analizar datos multivariantes y conviértete en un experto del análisis de datos con R y Python

4.83 (119 reviews)

Students

17.5 hours

Content

Mar 2021

Last Update
Regular Price

BLUE HOST
Blue Host
Fast, easy, and secure WordPress hosting in minutes + 1 free domain name
65%OFF : $2.95/month

What you will learn

Libro completo de regalo sobre Estadística Multivariante con 160+ páginas.

Grupo privado para dudas.

Técnicas multivariantes para el análisis de datos.

Habilidades prácticas con R y Python para datos reales.

Nuevas e impresionantes visualizaciones de datos multivariados en 2D, 3D y con movimiento.

Conocimiento teórico sobre el espacio multivariante y propiedades útiles para llevar el conocimiento a la práctica.

Todo sobre la forma de las distribuciones multivariantes.

Inferencia multivariante.

Cómo configurar un análisis de componentes principales (PCA).

Cómo estimar e interpretar un Análisis Factorial Exploratorio (EFA).

Estimar un problema de escalamiento multidimensional (MDS).

Agrupar datos similares (o diferentes) con las técnicas de análisis de clúster.

Clasificar datos multivariantes.


Description

Bienvenido a nuestro Curso avanzado de estadística multivariante con R y Python, donde Elisa Cabana y Juan Gabriel Gomila, dos de los instructores top de Udemy, así como matemáticos y analistas de datos de profesión te traen todo lo que necesitas para analizar datos del mundo multivariante tanto en R como en Python, los dos lenguajes de programación más utilizados de todo el mundo para el análisis de datos, y dos habilidades super solicitadas por las empresas en las ofertas de trabajo de Linkedin.

Además el curso viene con un REGALO DE BIENVENIDA que se trata de un Libro completo de más de 160 páginas de contenido sobre Estadística Multivariante!!!

Y tendrás acceso a un grupo privado para dudas para que no te sientas solo.

¿Qué vamos a aprender?

  • Empezaremos con el análisis exploratorio para ser capaces de describir y visualizar los datos de las muestras que tenemos. La visualización es importante para entender los datos, así que poder producir gráficos 2D y 3D es sin duda un requisito para poder hacer un correcto análisis multivariante.

  • Luego vamos a ver toda la teoría detrás de las variables aleatorias multivariantes y sus distribuciones respectivas.

  • También veremos los métodos de inferencia multivariante para obtener conclusiones más generales respecto al proceso que ha generado los datos de que disponemos y poder contrastar hipótesis respecto a su estructura.

  • Los métodos de componentes principales (PCA) y análisis factorial para reducir la dimensión y ver patrones que antes no se veían debido a la gran cantidad de datos, muy utilizados en el campo del Big Data para poder analizar datos en nuestras propias máquinas.

  • El escalado multidimensional (MDS) para cuando los datos disponibles no corresponden a variables sino a similitudes o semejanzas entre ellos.

  • Y finalizaremos con los métodos de agrupaciones que son clustering y clasificación para investigar si los elementos de nuestra muestra forman un grupo homogéneo o no, y poder clasificar nuevos datos que vengan en un futuro en uno de dichos grupos.

Y todo esto con transparencias explicando toda la teoría, ejemplos y casos prácticos explicados al completo, todo el código fuente tanto en R como en Python y por supuesto ejercicios prácticos, cuestionarios, tareas, y material complementario para poder seguir el curso sin ningún problema y que al completarlo seas un experto del análisis de datos multivariante.


Screenshots

Curso avanzado de estadística multivariante con R y Python
Curso avanzado de estadística multivariante con R y Python
Curso avanzado de estadística multivariante con R y Python
Curso avanzado de estadística multivariante con R y Python

Content

Introducción

Introducción

Requisitos del curso

Acceso a los materiales del curso

No valores el curso hasta avanzar más

Acceso al Discord del curso

Las competiciones y materiales de Kaggle

Introducción al espacio multivariante

Datos multivariantes

Visualización en el espacio multivariante

Boxplot

Histograma

Densidad Kernel

Scatterplot

Matriz de correlaciones visual

Coordenadas paralelas

Medidas descriptivas multivariantes - localización

Medidas descriptivas multivariantes - dispersión y dependencia

Transformaciones lineales

R - USA States

R - Iris

Python - Iris

Python - MNIST

Python - Wisconsin Breast Cancer

Variables multivariantes

Variable aleatoria multivariante

Distribución conjunta y marginales

Distribución condicional, e independencia

Valor esperado, covarianza y correlación

Esperanza condicional y ley de la varianza total

Distribución multivariante

Distribucion Normal multivariante

Curvas de nivel o contornos

Densidad kernel multivariante

Distancia Euclidea

Distancia Mahalanobis

Distribucion t-student multivariante

Distribuciones esféricas y elípticas

Mixtura de distribuciones

Cópulas

R - Generación de Normales Multivariantes

R - Contornos

R - t-student Multivariante

R - Mixtura de distribuciones

Python - Contornos

Python - Cópulas

Inferencia multivariante

Introducción a la inferencia multivariante

Estadísticos muestrales multivariantes

Teorema central del limite multivariante

Máxima verosimilitud

Estimadores MLE para una Normal

Test de Hipótesis multivariantes

Contraste para la media de una Normal multivariante

Ejemplo contraste de vector de medias de una Normal multivariante

Contrastes para la matriz de covarianzas de una Normal multivariante

Contraste de igualdad de varias medias - Análisis de varianza multivariante

R - Análisis de varianza multivariante

Análisis de componentes principales

Introducción a PCA

Cálculo de las componentes

Propiedades de los componentes

PCA normado o con correlaciones

Interpretación y selección de los componentes

Ejemplo

R - PCA

Análisis Factorial

Introducción al Análisis Factorial

Modelo Factorial

Propiedades y unicidad

Criterio varimax

Principal Component Factor Analysis (PCFA)

Principal Factor Analysis (PFA)

Estimación de los factores

R - Análisis Factorial

Escalamiento multidimensional

Introducción al escalado multidimensional

Escalado métrico o coordenadas principales

Construcción de las coordenadas principales

Escalado no métrico

R - Escalado multidimensional

Clusterización

Introducción al análisis de clúster

K-medias

K-medoides: algoritmo pam

Métodos jerárquicos

Método aglomerativo

Dendograma

Método divisivo

Clúster basado en modelos

R - Clúster particiones: K-Means y pam

R - Ejercicio Normales

R - Clúster jerárquico

R - Clúster basado en modelos

Python - K-Means

Clasificación

Introducción a clasificación

kNN

Clasificación bayesiana

Regresión logística

R - Análisis discriminante

R - kNN

R - Regresión logística

BONUS: Enhorabuena por completar el curso

BONUS: Un regalo para ti


Reviews

C
Christian22 January 2021

El curso es excelente, es necesario una solidación en matemáticas y alegebra líneal, sin embargo, no es problema ya que los instructores proporcionan informacion para cubrir deficiencias en caso de haberlas. Se proporcionan ejemplos y código lo cual es de gran ayuda. Como mencioné al principio, es necesario gusto por las matemáticas o entendimiento.

O
Octavio9 January 2021

buen curso, la persona impartiendo domina el tema, solo me causa un poco de curiosidad la estructura del programa, la regresión linear debería tomarse desde un principio es un tema bastante central en la estadística multivariante.

D
Damian27 December 2020

He comprado más de 5 cursos de Gabriel. Todos excelentes, se los recomiendo. Pensé que Gabriel participaría en este curso, pero no lo hace, es un curso de otra persona, me parece que lo debió aclarar desde el inicio. Esto ya me alerta para otros cursos en que Gabriel participa con otros. Sobre los Requisitos mostrados en la publicidad del curso mencionan: -Sería útil si los estudiantes tienen algún conocimiento básico de estadística. -No se requieren más conocimientos o habilidades específicas. No es cierto, tienen que tener un nivel muy alto en Estadística Inferencial. Para los que no somos graduados en Estadística, necesitamos al menos un nivel de maestría para entender el curso. Es una pérdida de tiempo intentar entender sin conocimientos previos muy elevados de Estadística Inferencial, al menos Bivariante, o quedarán atascados en el concepto de distribuciones conjuntas y, por supuesto, conocer Probabilidad al dedillo (marginales, conjunto, independencia, condicionalidad, etc). Hay que conocer R: El título menciona Python también, pero es claro que apenas se usa, el lenguaje R es el que más se usa en el curso. Solo en algunos temas los desarrolla en programación. Justo lo que la profesora pudo desarrollar en programación, es lo que logré entender volviendo a leer la parte teórica. Las clases son del tipo magistral( profesor lee, estudiantes miran), meramente demostrativas, igual a Wikipedia;con adquirir el power point hubiera sido lo mismo, muy poca explicación intuitiva o el propósito, muy poca práctica con ejemplos numéricos desarrollados al detalle que hubieran servido de mucho para entender la teoría, muy pocos gráficos que simulasen cada fórmula y sus elementos. La explicación no es pedagógica, no es intuitiva, y es muy difícil encontrarle el propósito a lo que se explica. La profesora, que es evidente su grado de experticia, reproduce una clase de maestría o doctorado tal como la recibió de sus profesores, relatando procedimientos, definiciones y demostraciones. No esperen una clase que intenta explicar de forma intuitiva para entender la idea útil de los temas. Prácticamente lee las fórmulas y sus elementos. Tenemos que tener en cuenta, que la mayoría de los que hemos comprado los cursos a Gabriel, somos programadores, somos su población de interés que paga sus cursos, no son marineros, curas ni artistas. De forma inercial, al ser un curso con la marca Gabriel, esperamos sea un curso en el que veamos la aplicación correspondiente a nuestra ciencia (pasando de la teoría a programas en todos los temas), pero no es así, y fue un error de mi parte entenderlo de esa forma. Es un excelente curso para maestría en Estadística, en plan clase magistral y demostrativa para estudiantes universitarios, y de esa forma debió anunciarse. Después de intentar digerir las primeras secciones, pasé directo a Escalamiento, Clustering, Clasificación y Regresiones, temas familiares. Se hizo mención de Kaggle, pero es evidente que solo es una mención. Pensé que se desarrollarían algunos desafíos de dicho sitio. Quizas un curso de Udemy sobre Kaggle sería buena idea. En conclusión, es importante que el curso sea preciso en sus titulares y promoción. Creo que puede ser mucho mejor si agrega más Python y agregue más ejemplos detallados, paso a paso, (no generales o demostrativos) por cada tema de cada sección, incluso si implica presentar menos secciones en un curso y crear más cursos para las otras secciones.

M
Maria25 September 2020

Faltaron ejercicios mas básicos para entender todo...pero muy bueno no puse el 5, falta en la teoría aterrizarlo de inmediato con un ejercicio. Felicitaciones!!!!!!

B
Borja19 September 2020

Fue lo que esperaba, he aprendido mucho y sobretodo me ha guiado hacia lo que quiero en mi futuro. Geniales diapositivas con muy buenas explicaciones y todo implementado con R y Python, los instructores se preocupan para que aprendas, te responden bastante rápido a las dudas y problemas que tengas. 100% recomendado Muchas gracias por hacer este gran curso Saludos

R
Ronald18 September 2020

Lo que leyendo en algunos libros resulta un poco ofuzcante, con la Dra se aprende en muy poco tiempo, ademas los ejemplos estan muy buenos. Se lo agradezco.

R
Rogelio2 September 2020

El curso está bien completo soportado con la teoría estadística, que es explicada de forma clara y concisa

L
Luis4 August 2020

El curso está muy interesante, claro que la parte teórica es muy pesada. Se necesitan ver los videos varias veces. Pero en general bien.

J
Johnny20 July 2020

Este curso viene genial después de estadística inferencial. Está mas enfocado a los datos, y aclara alguna duda que te pueda quedar de cursos anteriores.

J
Juan14 July 2020

Has dado recomendaciones para quienes han tenido una ardua experiencia en el mundo de la estadistica y eso motiva a seguir adelante con el aprendizaje a lo largo del curso.

J
Juan12 July 2020

El curso va muy bien, me gustaría que la parte teórica se explique con un caso practico al mismo tiempo, para hacerlo mas fácil de comprender, pero en general muy bien

M
Miguel1 June 2020

Me parece un curso muy completo y como en los otros que he adquirido, no me cabe la menor duda de que estará a la altura de lo esperado.

J
Joaquin17 May 2020

Las explicaciones durante los videos en conjunto con el material que se entrega para el curso permiten ir aprendiendo de mejor manera cada leccion

J
Jerfenzon13 May 2020

Gran curso, buenas explicaciones teóricas, la profesora es una experta temática. Muy recomendado para estudiantes de posgrado.

P
Píldoras28 April 2020

Es un curso completísimo, una auténtica barbaridad de trabajo que hay detrás!!. Super trabajado en todos los sentidos: contenidos, calidad del audio, ritmo comunicativo, calidad del vídeo y diseño de las diapositivas. Me ha encantado, sólo puedo decir que es brutal algunas perlas que te puedes encontrar en Udemy, como es el caso de este curso. 100% recomendado.


Coupons

DateDiscountStatus
10/13/202094% OFFExpired
3/11/202195% OFFExpired
6/22/202195% OFFExpired
6/27/202193% OFFExpired
7/9/202193% OFFValid
7/16/202195% OFFExpired

2607514

Udemy ID

10/15/2019

Course created date

4/16/2020

Course Indexed date
Bot
Course Submitted by