Notas de Clase:

[Clase 1](clase 1/Clase 1- Introduccion.nb.html):

• Introducción al entorno R.

[Clase 2](clase 2/Clase 2- Tidyverse.nb.html):

• Tidyverse.
• Gráficos

Clase 3:

• [Rnotebooks](clase 3/Ej_IPC_dolar.nb.html)
• Shiny apps

[Clase 4](clase 4/presentacion.nb.html):

• Correlación

[Clase 5](clase 5/modelo_basico.nb.html):

• Regresión Lineal Simple (primera parte)

Clase 6:

• [Regresión Lineal Simple (segunda parte)](clase 6/modelo_basico.nb.html)
• [Bootstrap](clase 6/ejercicio_bootstrap.nb.html)

[Clase 7](clase 7/muchos_modelos.html)

• Muchos modelos (primera parte)

[Clase 8](clase 8/muchos_modelos.html)

• Muchos modelos (segunda parte)

Clase 9:

• [Regresion Logistica](clase 9/logit.nb.html)
• [Ejercicio Regresion Logistica](clase 9/ejercicio-logistica.nb.html)

[Clase 10](clase 10/regularizacion.nb.html)

• Regularizacion: Ridge, Lasso y Elastic Net

[Clase 11](clase 11/prophet_shopping.nb.html)

• Prophet: implementacion de GAM para series de tiempo

[Clase 12](clase 12/mnist101.nb.html)

• Redes I: Fully Conected Neural Networks

[Clase 13](clase 13/mnist102.nb.html)

• Redes II: Convolutional Neural Networks

Ejercicios

• Modelo lineal:

  • consigna
  • Resueltos:
    • Parte 1
    • Parte 2
    • Parte 3
    • Parte 4
    • Parte 5

• Modelo logística:

  • consigna
  • datos train
  • datos test
  • resultados test

Preguntas parcial