Temario curso

Tema 1: Julia en Data Science

• Introducción a la ciencia de datos.
  • Definición de Data Science.
  • La necesidad de automatización de tareas.
  • Introducción a las estadísticas.
  • Presentamos el aprendizaje automático.
• Dibujar correlaciones a partir de datos sin procesar.
• Explicación de la necesidad del análisis de datos.
• Presentamos a Julia.
  • Asombroso lenguaje de Julia!.
• Julia: Ideal para el análisis de datos.
• Limitaciones de Julia.

Tema 2: Primeros pasos con Julia

• Instalación y configuración de Julia.
  • Trabajar con los IDE de Julia.
  • Usando Julia REPL.
  • Uso de IDE.
  • Uso de Notebook.
• Gerente de paquetes de Julia: Paquete.
  • Entornos de proyectos.
  • Trabajando en modo Pkg REPL.
• Manejo de entornos de proyectos.
  • Manejo de datos numéricos en Julia.
  • Declaración de variables.
  • Nombres de variables aceptables en Julia.
  • Enlazado vs Copiar en variables mutables.
  • Construcción de flujos de control.
  • Evaluación bajo condiciones.
  • Evaluación de cortocircuitos.
  • Manejo de excepciones.
  • Bucles (evaluación repetida).
  • Expresiones en forma compuesta.
  • Definición de funciones.

Tema 3: Características que ayudan a escalar proyectos de ML

• Revisando las funciones en Julia.
  • La palabra clave function-end.
  • El nombre de la función.
  • Los argumentos utilizados en la función.
  • El cuerpo de la función.
  • La declaración return de la función.
• Argumentos posicionales y de palabras clave.
• Argumentos de paso en Julia.
• Sintaxis corta para escribir funciones en Julia.
• Sistema de tipos en Julia.
  • Jerarquía en el sistema de tipos de Julia.
  • Varios tipos de datos en Julia.
• Despacho múltiple en Julia.
• Gestión de la estructura del código en Julia.
• Uso de macros.

Tema 4: Estructuras de datos en Julia

• Matrices en Julia.
• Estructura de datos de tupla en Julia.
• Asignación de valor a sus claves.
• Establecer estructura de datos en Julia.
• Operaciones sobre estructuras de datos de Julia.
  • Matrices.
  • Tuplas.
  • Diccionarios.
  • Sets.
  • Mapa.
  • Reducir.
  • Filtro.
  • Radiodifusión.
• Ejemplo de subtipificación de módulos.
• Integración con Python.
• Integración con R.

Tema 5: Trabajar con conjuntos de datos en Julia

• Obtención e inspección de datos en Julia.
  • Adquisición de datos de Julia.
  • Acceso a datos de una base de datos.
  • Inspección de datos en Julia.
  • DataFrames en Julia.
  • Guardar archivos de texto.
  • Paquetes para TextAnalysis.
  • Visualización del DataFrame.
• Trabajar con cadenas.
  • Lectura de un archivo de texto.
  • División de cadena de texto.
  • Expresiones regulares.
• Datos temporales.
  • Manejo de datos faltantes.
  • Manejo de datos temporales.
• Un problema de ciencia de datos.

Tema 6: Fundamentos de la estadística

• Estadísticas en Julia.
• Estadística descriptiva y su finalidad.
• Resumen de las principales medidas de estadística descriptiva.
• Detección y tratamiento de valores atípicos en el análisis de datos.
• Métodos de distancia en StatsBase.jl.
• Métodos de muestreo y recuento.
  • Métodos de conteo.
  • Métodos de muestreo.
• Relación entre varias entidades del dataset durante el análisis de datos.
• Funciones estadísticas diversas que ayudan en el análisis de datos.
• Estimación observacional en el análisis de datos.

Tema 7: Distribuciones de datos de probabilidad

• Introducción a la probabilidad.
• Introduciendo el paquete de probabilidad en Julia.
• Presentamos el paquete Distributions.jl.
• Funciones comunes en distribuciones.
  • Jerarquía de tipos.
  • Recuperación de parámetros.
  • Muestreo.
  • Cálculo de estadísticas.
  • Estimación de probabilidades.
  • Inspección de dimensiones.
• Distribución de probabilidad univariada.
• Distribución de probabilidad censurada.
• Distribución de probabilidad truncada.
  • Diferencia entre distribuciones de probabilidad censuradas y truncadas.
• Distribución de probabilidad multivariante.
• Distribución de probabilidad de matriz variable.
• Modelos de mezcla en Distributions.jl.
• Modelos de mezcla y convoluciones en Distributions.jl.
• Ajuste de una distribución de probabilidad.

Tema 8: Encuadre de datos en Julia

• Presentación del paquete DataFrames.jl.
• Configuración del entorno.
• Construcción de objetos DataFrame.
• Obtención de datos.
• Inspección de datos.
• Principales marcos de manipulación de datos en Julia.
  • DataFramesMeta.jl.
  • DataFrameMacros.jl.
  • Query.jl.
• Comparación con otros marcos lingüísticos.
  • Comparando con pandas: un marco de Python.
  • Comparando con dplyr -un framework R.

Tema 9: Trabajar con datos en DataFrames

• Faltan datos en DataFrames.
  • Faltan valores en Julia.
• Ordenar datos en DataFrames.
  • Ordenar un vector.
  • Ordenar un DataFrame.
• Remodelación de datos en DataFrames.
  • Remodelando los datos en Julia.
• Datos categóricos en DataFrames.
• Unión de datos en DataFrames.
• Dividir-aplicar-combinar datos en DataFrames.

Tema 10: Visualizando datos en Julia

• Presentamos Plot.jl.
• Instalación de Plots.jl.
• Plots.jl.
• Atributos en el trazado.
• Diagramas de dispersión en Plots.jl.
• Trazado de backends.
• Subtramas en Plots.jl.
• Recetas en Plots.jl.
  • Uso de recetas de Statsplots.jl.
• Gráficos de contorno.
• Histogramas en Plots.jl.
  • Histogramas ponderados.
  • Histogramas apilados.
  • Histogramas superpuestos.
  • Histogramas acumulativos.
  • Histogramas 2D.

Tema 11: Introducción al aprendizaje automático en Julia

• La necesidad del aprendizaje automático.
• Presentamos el aprendizaje automático.
• MLJ.jl: la biblioteca de aprendizaje automático de Julia.
• Especialidades de MLJ.jl.
• Manejo de datos en MLJ.jl.
  • Contenedores de datos y Scitypes.
  • Manejo de datos 2D en MLJ.
  • Scitypes de datos.
• Generating data.
  • Datos de regresión.
  • Datos categóricos.
  • Manejo de datos categóricos.
  • Tipo científico de datos correcto para datos categóricos.
  • Cambiar el tipo incorrecto de los datos categóricos.
  • Seguimiento de todas las categorías.
  • Preparación de datos.
  • División de datos.
  • Abordaje de la ciencia no coincidente del modelo de datos.
  • Pesos.
• Modelos.
  • Búsqueda de modelos.
  • Modelos de bodegas.
  • Coincidencia de modelos.
  • Cargando modelos.
• Revisando los pesos.
• Preprocesamiento de datos mediante transformadores en MLJ.

Tema 12: Datos y Modelos

• Interfaz de modelo en MLJ.jl.
  • Representación de modelos.
  • Modelo supervisado.
  • Modelos definidos por el usuario en MLJ.
  • Represor determinista.
  • Regresor probabilístico.
  • ¡Encajando un modo!
  • Método de predicción.
  • Pérdidas de formación.
  • Importancia de las características.
  • ¡Actualizar! Método.
  • Método de transformación.
  • Modelos con una distribución de probabilidad.
  • Serialización.
• La necesidad de un frontend de datos para MLJ.
  • Frontend de datos para MLJ.
• Máquinas en MLJ.
• Composición del modelo.
• Medidas de desempeño en MLJ.jl.
  • Medidas de rendimiento integradas.
  • Medidas de rendimiento personalizadas.
  • Medidas de evaluación del modelo.
  • Evaluación del rendimiento del modelo en un conjunto de exclusión.
  • Evaluar el rendimiento del modelo a lo largo del tiempo.
  • Ajuste del modelo.
  • Criterios comunes de parada.
  • Regularización.
  • Interpretar las curvas de aprendizaje.
  • Uso de curvas de aprendizaje para mejorar los modelos.

Tema 13: Estadística y modelado bayesiano

• Inferencia bayesiana.
• Diferencia entre el teorema de Bayes y los métodos estadísticos frecuentistas.
• Conceptos básicos de la estadística bayesiana.
• Cálculo de la distribución posterior.
• Hacer inferencias a partir de la distribución posterior.
• Modelos bayesianos.
• Varios modelos bayesianos.
• Regresión lineal bayesiana.
• Regresión logística bayesiana.
• Redes bayesianas.
• Procesos gaussianos.
• Redes neuronales bayesianas.
• Construyendo un modelo bayesiano.
• Modelado bayesiano en Julia.
• Manipulación de datos discretos con enfoque bayesiano.
• Manipulación de datos categóricos con enfoque bayesiano.
• Modelo de variable latente del proceso gaussiano.
• Otros modelos bayesianos.

Tema 14: Computación paralela en Julia

• Computación paralela en Julia.
• Programación asíncrona.
• Tareas asincrónicas en Julia.
• Operaciones de tareas.
  • Ceder para funcionar en las tareas.
  • Programador en Julia.
• Conexión a través de canales en Julia.
• Multi-hilo.
  • Múltiples hilos en Julia.
  • Grupos de subprocesos.
  • Comunicación y sincronización en Julia.
  • ©Macro de subprocesos.
  • Operaciones atómicas.
  • Atómicos per-fieid.
  • Efectos secundarios del uso de hilos.
  • ©threadcall.
  • Migración de tareas.
  • Use ofinizantes.
• Acelerar los flujos de trabajo de ciencia de datos.
• Usando el poder de JuliaHub.

Tema 15: Computación distribuida en Julia

• Computación distribuida en Julia.
  • Aprovechando la fuerza de muchos.
  • Una nueva visión de la transmisión de mensajes.
  • Referencias remotas: cerrando la brecha.
  • Llamadas remotas: ejecución desde lejos.
  • Identidad del proceso y modelo de trabajador.
  • Abrazar el paralelismo: una guía práctica.
• Ejecución asíncrona y programación cooperativa de tareas en Julia.
  • La magia del almacenamiento en caché del futuro.
  • Multitarea cooperativa: el ©enfoque asíncrono y ©sincronizado.
  • Tareas del alimentador y ©asíncronas.
  • ©sync: Sincronización coordinada.
  • Compartir el estado y la multitarea cooperativa.
  • Cambio de contexto consciente.
  • Preparándose para futuras innovaciones.
• Carga de paquetes en Computación Distribuida.
• Gestión de procesos.
• Transferencia de datos en computación distribuida.
• Variables en computación distribuida.
• Mapas y bucles.
• Referencias y canales.
• Recolección de basura distribuida.
  • Invocaciones locales en computación distribuida.
• Matrices compartidas.
• Administradores de clústeres.