Algebra lineal

• Matrices
• Vectores y operaciones entre ellos
• Determinante
• Rango
• Menores
• Traza
• Descomposiciones de matrices
• Sistemas lineales

Análisis
• Funciones de variables reales
• Derivadas
• Máximos y mínimos
• Funciones de distintas variables
• Derivadas parciales
• Gradiente
• Matriz Hessiana
• Integrales de funciones

TEMA 1- Probabilidad
• Espacios muestrales.
• Eventos.
• Probabilidad de un evento.
• Algunas reglas de probabilidad.
• Probabilidad condicional.
• Eventos independientes.
• Teorema de Bayes.
TEMA 2 - Distribuciones de probabilidad

www.grupoiddea.com
• Variables aleatorias continuas.
• Función de densidad y función distribución.
• Vectores aleatorios.
• Distribuciones multivariadas.
• Distribuciones marginales.
• Distribuciones condicionales.
• Distribuciones de probabilidad especiales: Bernoulli, binomial, binomial
negativa, geométrica, hipergeométrica, Poisson, multinomial,
uniforme, exponencial, gamma, beta, normal.
• Distribuciones de muestreo: Distribución de la media, Distribución Chi-
cuadrado, Distribución t, Distribución F.
TEMA 3 - Esperanza Matemática
• Esperanza, varianza, momentos.
• Esperanza condicional, varianza condicional.
• Covarianza, Coeficiente de Correlación.
• Teorema de Chebyshev.
• Función Generatriz de Momentos.
• Momentos producto.
• Momentos de combinaciones lineales de variables aleatorias.

TEMA 1 - Introducción a R y funciones básicas

• El entorno R.
• Motivos para su uso
• R como calculadora
• Manejo de R y de scripts
• Obtener ayuda
• Gestión de paquetes
• Asignación de variables, vectores, matrices, dataframes y listas
• Comparación de variables.
• Salvar e iniciar sesiones anteriores.

TEMA 2 - Gestión y Manipulación de datos

• Objetos para el manejo de datos.
• Características de los objetos en R: modos y atributos. Datos
especiales.
• Asignación. Operadores lógicos.
• Vectores.
• Factores.

www.grupoiddea.com
• Generación de secuencias regulares. Vectores de índices.
• Variables indexadas (arrays).
• Funciones cbind y rbind
• Manejo de valores NA.
• Importar y Exportar datos.

TEMA 3 - Descripción numérica y gráfica de datos

• Estadística básica.
• Distribuciones de Probabilidad. Generación de variables
aleatorias.
• Tablas de frecuencias.
• Medidas de localización, dispersión y forma.
• Descripción gráfica de datos en R.
• Gráficos para datos discretos.
• Guardar gráficos en diferentes formatos (jpg, pdf, eps, etc.)

TEMA 4 - Inferencia Estadística

• Inferencia en problemas univariantes.
• Inferencia en problemas de dos muestras.
• Análisis de datos categóricos.
• Análisis de la Varianza.
• Regresión lineal simple.
• Obtener ayuda.

TEMA 5 - Programación de funciones y subrutinas

• Introducción: funciones y subrutinas en R.
• Órdenes para la ejecución condicional: if y else.
• Órdenes para la ejecución repetitiva en bucles ciclos: for,
repeat y while.
• Funciones: sintaxis y llamada.
• Nombres de argumentos y valores por defecto.
• El argumento “…”
• Funciones de control y parada: warning, missing y stop.

TEMA 1 – Python Básico

www.grupoiddea.com
• Instalación y configuración de Python
• Tipos y Estructuras de Datos Básicas
• Operaciones básicas – comparación – booleanos
• Entrada y salida de datos

TEMA 2 – Condicionales en Python

• Condicional simple (if)
• Bicondicional (if – else)
• Condicional Anidada (if – elif)
• Lista
• Listas anidadas

TEMA 3 – Bucles en Python

• Bucle for
• Bucle while
• Tuplas
• Diccionarios

TEMA 4 –Funciones
• Definiendo funciones
• Llamando funciones
• Funciones recursivas
• Funciones de la librería estándar de Python

Inceptions

• Big Data Analytics Fundamentals

• Data Science Fundamentals
Data Preprocessing

• Tratamiento de missings y outliers

• Feature Engineering
• Feature Selection
Machine Learning Tools

• Train y Sample Test

• Key Performance Indicatos: Discriminación, Calibración y
Estabilidad.
• Bootstrapping
• Cross Validation

www.grupoiddea.com
• Regresión lineal
• Regularization (Laso, Ridge y Elastic Net)
• Regresión logística
Business Case

• Taller Aplicado

Supervised Learning

• Naive Bayes
• Support Vector Machine
• Arboles de decisión
• Bagging
• Random Forest
• Boosting
• XGBoost
• Hyperparameter Tunning
• Model Selection

Unsupervised Learning

• Análisis de clusters (K-Means)

• Reducción de dimensiones (Principal Components Analysis)

Deep Learning

• Neural Networks

Unstructured Data Applications

• Natural Language Processing

• Image Processing Fundamentals
• Webscrapping Fundamentals

www.grupoiddea.com