Introducción a Data Scientist programando en R

¿Qué es R? Una descripción de qué es el lenguaje de programación R y su principales características, así como la presentación de RStudio, el IDE principal de este lenguaje.

Video explicativo de como instalar R y RStudio en Mac, aunque es extensible a Linux y Windows.

En esta clase veremos el combate del siglo en el mundillo de la Ciencia de los Datos: Python vs R. 

A través de una Infografía realizada por DataCamp, vamos desbrozando todas las interioridades de estos dos lenguajes. Y veremos cuál es el ganador de un lugar entre tus herramientas de Científico de Datos.

Incluye todo el material complementario de la sección.

Comenzamos a familiarizarnos con RStudio y las primeras nociones de R. Donde están las cosas, para qué sirven los botones, etc...

Comenzamos también a manejarnos con las variables y su asignación en R.

Seguimos familiarizándonos con R y RStudio. 

Las operaciones más básicas con las variables numéricas y las alfanuméricas. 

También veremos las diferencias entre introducir comandos por consola, por fichero y ejecutándolo desde el editor de RStudio.

Comenzamos a realizar operaciones con variables en R.

Operaciones aritméticas y también operaciones lógicas, así como comandos condicionales para comprobar el uso de las operaciones lógicas.

El primer objeto que veremos en esta sección son los vectores.

Veremos cómo asignarlos, y aprenderemos a operar con ellos. Operaciones aritméticas sobre vectores y cómo actúa R con vectores de distintos tamaños.

Seguimos operando con vectores, comandos especiales para ellos, como sum, max, min, prod, etc...

El objeto más importa para un científico de datos es el dataframe, que es la forma que tendrán nuestros datasets. 

Un dataframe es una matriz en la que las filas son las distintas observaciones y las columnas son las variables que hay de cada observación.

En esta primera parte generamos un dataframe con el que operaremos.

El objeto más importa para un científico de datos es el dataframe, que es la forma que tendrán nuestros datasets. 

Un dataframe es una matriz en la que las filas son las distintas observaciones y las columnas son las variables que hay de cada observación.

En la segunda parte vemos cómo hacer subsets del dataframe original y aprenderemos a acceder a cada uno de los datos.

El objeto más importa para un científico de datos es el dataframe, que es la forma que tendrán nuestros datasets. 

Un dataframe es una matriz en la que las filas son las distintas observaciones y las columnas son las variables que hay de cada observación.

En la tercera parte veremos la operaciones principales que podemos realizar con nuestros dataframes.

Las listas son un tipo especial de objeto que tiene una mejor performance en el uso dentro de R.

Permite guardar los datos de una forma más ordenada, y nos recuerda a formatos como JSON.

En la lección aprenderemos a generarlas en R y a operar con ellas.

El último objeto que veremos en este curso son las Series de Tiempo. Aunque no las utilicemos más adelante, conviene conocerlas, ya que son muy importantes para análisis de datos, por ejemplo, en el mundo del e-commerce, o para procesos en los que el tiempo es un factor muy importante.

Explicación de la "teoría" que hay detrás de los bucles.

Veremos el funcionamiento de los bucles FOR, FOR anidados, y WHILE.

Seguimos con el bucle REPEAT, los comandos BREAK y NEXT y una consideración de cuando usar o no los bucles.

¿Cómo funcionan las funciones en R? En esta clase veremos con ejemplos cómo funcionan las funciones, sus parámetros y el retorno.

Incluye todo el material complementario de la sección.

La fuente de los datos suele ser una de nuestras primeras preocupaciones. ¿De dónde los sacamos? ¿Cómo convertirlos en un dataframe u otro objeto que podamos utilizar en R?

Vamos a localizar un set de datos alojado en la página web de la ciudad de Baltimore, en EE.UU., y lo descargaremos en nuestro local, utilizando R para realizar este proceso.

Una vez tenemos un archivo en nuestro local, hay que cargarlo en R. En esta lección veremos cómo hacerlo de una manera sencilla.

Conocemos el objeto dataframe, ahora vamos a pelearnos con él.

Con el archivo descargado de internet y cargado en nuestro RStudio, vamos a empezar a repasar las principales operaciones y funciones que podemos hacer con él.

Conocemos el objeto dataframe, ahora vamos a pelearnos con él.

Seguimos con los operadores de resumen que nos proporcionan una información general del dataframe.

Conocemos el objeto dataframe, ahora vamos a pelearnos con él.

Trabajamos ahora con otros sets de datos de ejemplo y veremos funciones de relaciones entre variables como xtabs.

Twitter tiene una API pública desde la que se puede descargar información de usuarios, tweets, topics, etc.

En esta lección echaremos un vistazo a lo que nos ofrece y nos crearemos una cuenta como desarrollador. Es necesario tener una cuenta de usuario de Twitter para realizar esta y las siguientes lecciones, así que, si todavía no la tienes, ¡date de alta! 

Cargaremos el paquete TwitteR, el más indicado para acceder a la API pública de Twitter.

Con los datos obtenidos al daros de alta como desarrolladores de Twitter, podéis conectaros a la API pública. 

También veremos los límites de la API pública, que será muy necesario tenerlos controlados para que no se nos bloquee el acceso de forma temporal.

En esta lección veremos los comandos getUser, searchTwitter y getTrends del paquete TwitteR.

En este apartado veremos algunas funciones específicas de los usuarios, como getFollowers o getFriends.

Incluye todo el material complementario de la sección.

Vamos a enfrentarnos a un dataset descargado de internet y del que sabemos su estructura, pero no sabemos bien lo que contiene.

Descargaremos una serie de tweets mediante la API pública y lo aumentaremos con una serie de información adicional procedente de operaciones sobre los mismos datos.

Comenzaremos a analizar algunas de las variables de nuestro dataset y hallaremos las principales funciones estadísticas que las caracterizan.

Continuamos dando un repaso a las principales funciones estadísticas, llegando hasta la desviación estándar, la varianza, la covarianza y la correlación, que nos serán útiles para llegar a algunas conclusiones.

Aunque en la última sección vemos un apartado específico para los datos, en esta lección veremos una serie de gráficos exploratorios útiles para nuestro estudio.

Incluye todo el material complementario de la sección.

Vamos a realizar un auténtico algoritmo de Científico de Datos.

Realizaremos un estudio de los sentimientos de los tweets sobre 500 tweets de la película "Wonder Woman". El análisis será mediante un algoritmo que nos hemos inventado y que compara las palabras con un diccionario de palabras en el que tenemos medidas su positividad o negatividad.

Continuamos con el algoritmo sencillo de Análisis de Sentimiento, y veremos los resultados que nos proporciona.

En este apartado vamos a utilizar el Algoritmo de Naive Bayes para tratar de hacer una predicción del sentimiento de los tweets. Utilizaremos el resultado de nuestro algoritmo de Análisis de Sentimiento para entrenarlo, aunque se podrían utilizar otros métodos como el entrenamiento por agente (humano), es decir, coger una muestra y analizar uno a uno los tweets.

El paquete caret, Classification And REgression Training, es un paquete muy utilizado para realizar modelos de clasificación y clusterización en Machine Learning en R.

En esta lección veremos sus principales características.

Utilizaremos el paquete caret para replicar de una forma más ordenada nuestro algoritmo de Machine Learning de sentimientos.

Volvemos a utilizar el paquete caret, esta vez para analizar un dataset que muestra una serie de características de un mail y nos dice si es spam o no lo es.

Con la ayuda de caret haremos un modelo de Machine Learning con la base del GLM, o Modelo Linear Generalizado.

Incluye todo el material complementario de la sección.

En esta lección vamos a dar un repaso general de las principales funciones gráficas que ofrece R base. Como R está específicamente diseñado para la Ciencia de los Datos, incluye en su raíz una buena cantidad de opciones para dibujar los gráficos muy interesantes.

Si los gráficos base de R no son suficientes para tí, y quieres realizar una aplicación visualmente atractiva, R ofrece la posibilidad de añadir nuevos paquetes gráficos. 

En esta lección conocerás la libreria Highcharts que ofrece un gran cantidad de gráficos interactivos y visualmente muy atractivos que pueden mejorar cualquier aplicación. 

Highcharts funciona en JS, pero la libreria Highcharter nos ofrece toda su potencia en nuestro querido R.

Hacemos un repaso a los principales gráficos de Highcharts utilizando la librería Highcharter.

Veremos un pie chart, un gráfico de tipo línea, uno de tipo área porcentual, y uno de tipo polar, con forma de tela de araña.

Shiny es una librería desarrollada por los creadores de RStudio, el IDE de R, que nos permite desarrollar aplicaciones web sin conocimientos de programación php, JS, etc. Y que, además, nos permite incluir nuestros desarrollos en R.

Una herramienta muy interesante y realmente potente para ofrecer productos de datos más que interesantes.

En esta lección, la última del curso, podrás poner en funcionamiento lo aprendido en lecciones anteriores y terminaremos convirtiendo el código de Análisis de Sentimientos desarrollada, en una aplicación que puede funcionar en una web.

Incluye todo el material complementario de la sección.

Si has llegado hasta aquí, ¡¡¡Enhorabuena!!!.

Resumen de lo que hemos visto en este curso.

¿Y ahora qué? Te propongo una serie de cosas que se pueden hacer a partir de este momento.

Muchas gracias por todo. Espero que hayas disfrutado al menos tanto como yo lo he hecho al hacer este curso. ¡¡¡Ya eres un héroe del dato!!!