Fundamentos de la Programación Estadística y Data Science en R

Un curso de R orientado a estudiantes de ciencias duras, sociales, profesionales, técnicos, etc.

Docente: Germán Rosati

Presentación y objetivo del curso:

Debido a su carácter de software libre y a la creciente comunidad de usuarios el lenguaje R se ha convertido en algo así como la lingua franca dentro del análisis estadístico. El presente seminario se propone realizar una introducción a algunos conceptos fundamentales de la programación estadística en R. A su vez, se hará énfasis en la implementación de análisis estadísticos básicos (descriptivos y regresiones) en R. A su vez, el curso presentará algunos elementos teóricos de la minería de datos/aprendizaje automático (balance sesgo-variancia, overfitting, etc.) y revisará algunos algoritmos para la estimación de árboles (ID4, C4.5, CART y random forest).

El curso se propone que los alumnos:

• se familiaricen con aspectos relevantes de la programación estadística en lenguaje R
• logren implementar e interpretar análisis estadísticos descriptivos y modelos de regresión en lenguaje R
• incorporen algunos conceptos fundamentales del data mining/aprendizaje automático,
• conozcan generalidades de algunos algoritmos para la generación de árboles de decisión (ID4, C4.5,CART y random forest) y su implementación en lenguaje R,
• logren identificar situaciones de aplicación de este tipo de modelos a problemas de investigación básica y aplicada

Requisitos para la cursada y aprobación

Conocimientos básicos de estadística descriptiva y cierta familiaridad con el modelo de regresión lineal y logística. Será útil (pero no absolutamente necesario) alguna experiencia en programación estadística (sea en SPSS, Stata o similar) Para la aprobación del curso se requiere:

1. un mínimo de asistencia del 80% sobre el total de clases y
2. la entrega y aprobación de una monografía final

Fuentes

El material para el curso fue extraído y transformado de diversas fuentes.

• Curso R Progamming - Coursera
• Curso Progrmación Estadística en R - Coursera
• Materiales didácticos de Introduction to Statistical Learning, escrito por James, Witten, Hastie y Tibshirani
• Materiales de Kelly Black
• Quick R Tutorial
• R Tutorial
• R Cheat-Sheet
• R Reference Card
• A very quick introduction to ggplot2

Contenidos resumidos

• Unidad 1a. Elementos de programación estadística en R: Objetos en R (vectores, matrices, data frames y listas). Estructuras de control: for, while, if. Implementación de funciones ad-hoc. Análisis estadístico descriptivo básico en R: mean(), sd(), var(), table(), etc. Generación de números aleatorios y distribuciones de probabilidad.

• Unidad 1b. Visualización y generación de gráficos en R: Nociones de graficación (forma, color, tamaño, color). Niveles de medición y gráficos adecuados. Funciones plot(), hist(), boxplot(), barplot(). Introducción breve a ggplot2: ggplot(), geom_points(), geom_smooth(), aes(), facet_wrap(), facet_grid(). Importación y exportación de datos (.csv, .txt, .tab, .sav, etc.).

• Unidad 2. Nociones básicas de data mining/aprendizaje automático: Tipos de problemas en aprendizaje supervisado: clasificación y regresión. Error de entrenamiento (training error), error de prueba (test error). Sobre-ajuste. Balance entre el sesgo y la variancia de un modelo. Métodos de estimación del error: partición del dataset, validación cruzada. Aplicaciones en R.

• Unidad 3a. Introducción a los problemas de regresión y clasificación en R: Implementación y análisis de modelos de regresión lineal y logística. Evaluación del modelo: supuestos, ajuste, estimación de error de generalización. Extensiones del modelo lineal y logístico: variables cualitativas, no linealidad, etc. Funciones lm, glm y predict. Funciones lm(), glm() y predict().

• Unidad 4. Clasficadores basados en árboles: Generalidades. Algoritmos ID4, C4.5 y CART. Partición múltiple y binaria, medidas de pureza de nodos. Crecimiento (growing) y podado (prunning) de árboles de decisión. Balance entre costo y complejidad del árbol. Aplicaciones en R (paquetes tree, rpart y randomForest).

• -Opcional- Unidad 5. Introducción al análisis de secuencias con el paquete TraMineR en R: Estructuras de datos para el análisis de secuencia: inspección gráfica, análisis descriptivo (largo de secuencias, tiempo de estados, tasas de transición, etc.), medidas de disimilaridad entre sencuencias, identificación de secuencias relevantes, tipologías de secuencias (clustering, etc.).

Bibliografía básica

• James, G., Witten, D., Hastie, T., Tibshirani, R. (2013), An Introduction to Statistical Learning with Applications in R, Berlin: Springer.
• R Core Development Team, (2000), Introducción a R. Notas sobre R: Un entorno de programación para Análisis de Datos y Gráficos.
• Tetor, P. (2011), R Cookbook. Proven recipes for data analysis, statistics and graphics, New York: O Reilly.