Este documento presenta un taller sobre análisis de datos que cubre el proceso de análisis de datos, la adquisición de datos con pandas, el análisis exploratorio estadístico y de visualización, el preprocesamiento de datos con pandas, los principios de machine learning y una introducción a scikit-learn, incluyendo regresión lineal. El taller es impartido por Hector Cuesta, data scientist y autor del libro Practical Data Analysis.

1. Enlighten
your
software
Taller
Análisis
de
Datos
Hector
Cuesta
@hmcuesta

2. Acerca
del
Ponente
• Data
Scientist in
Residence
• Chief technology officer CTO
• Autor:
Practical Data
Analysis (Packt 2013)

3. Contenido del
Taller
• Proceso
de
analisis
de
datos
• Adquisicion
de
datos
con
pandas
• Analisis
Exploratorio
(Estadistica)
• Analisis
Exploratorio
(Visualizacion)
• Pre-­‐procesamiento
de
datos
con
pandas
• Principios
de
Machine
Learning
• Introduccion
a
SciKit-­‐Learn
• Regresion
Lineal

4. El
Problema
Preparación
de
Datos
Exploración
de
Datos
Modelado
Interpretación
y
Visualización
Proceso
de
Análisis
de
DatosProceso
de
Análisis
de
Datos

5. Aprendizaje
Supervisado
• Clasificación
• Regresión
Aprendizaje
No
Supervisado
• Agrupación
• Reducción
de
Dimencionalidad
• Estimación
de
Densidad
Machine
Learning

7. API
Spark
• RDD
(Resilient
Distributed
Dataset):
es
la
abstraccion
basica
en
spark.
Es
una
colección
de
datos,
tolerante
a
fallos
y
que
puede
procesar
datos
en
paralelo.
• Transformaciones:
map,
filter,
flatmap,
union,
dinstinct,
groupByKey,
reduceByKey,
sortByKey,
join,
etc.
• Acciones:
reduce,
collect,
count,
first,
takeSample,
countByKey,
saveAsTextFile,
etc.

8. ¿Preguntas?
Hector
Cuesta
@hmcuesta