En este curso aprenderás a utilizar técnicas de reducción de dimensiones, de agrupamiento, clasificación y discriminación, basadas en hiperespacios multivariados. Te llevaremos desde lo más básico hasta la aplicación de análisis canónicos avanzados para resolución de problemas complejos.


Duración: 3 semanas (8 clases)
Inicio de clases: 20 de Mayo de 2022
Fin de clases: 05 de Junio de 2022
Horario: Jueves, de 6:00 a 8:30 pm y Domingos de 4:00 a 8:30 pm (UTC-5, hora oficial de Lima, Quito, Bogotá)
Certificado por: 35 horas académicas

23% de descuento por inscripción temprana

Haciendo clic en el siguiente botón.
Promoción por tiempo limitado.
Válido hasta el 13 de marzo de 2022.

  • 00 Dias
  • 00 Horas
  • 00 Minutos
  • 00 Segundos

Estructura del curso

    1. Anunción sobre el inicio del curso

    2. Bienvenida - información importante

      VISTA PREVIA GRATUITA
    1. Actualizar versión de R con código

      VISTA PREVIA GRATUITA
    2. RProfile.site para recuperar paquetes perdidos al actualizar

      VISTA PREVIA GRATUITA
    3. Semana 01 - Clase 01

    4. Semana 01 - Clase 02

    5. Semana 02 - Clase 03 (parte 1)

    6. Semana 02 - Clase 03 (parte 2)

    7. Semana 02 - Clase 04

    8. Semana 03 - Clase 05

    9. Semana 03 - Clase 06

    10. Semana 03 - Clase LDA

    1. Sesión de Zoom – Clase 1

    2. Sesión de Zoom – Clase 2

    3. Sesión de Zoom – Clase 3

    4. Sesión de Zoom – Clase 4

    5. Sesión de Zoom – Clase 5

    6. Sesión de Zoom – Clase 6

    1. Archivos descargables (Módulo 1)

    2. Diapositivas (Módulo 1)

    1. Archivos descargables (Módulo 2)

    2. Diapositivas (Módulo 2)

    3. Stanford University - K means

    4. Comparativa dinámica de métodos no canónicos: PCA, CA, DCA, tb-PCA, PCoA, NMDS (by zdealveindy)

    1. Archivos descargables (Módulo 3)

    2. Diapositivas (Módulo 3)

Sobre este curso

  • $65.00
  • 29 lecciones
  • 22 horas de contenido de video

Plan de Estudios

Módulo 1: Introducción a estadística multivariada

  • Estadística multivariada
  • ¿Qué es ordenamiento?
  • Espacios N-dimensionales
  • Preprocesamiento de datos
  • Transformaciones
  • Matrices de distancia
  • Medidas de distancia


Módulo 2: Métodos multivariados no canónicos

  • Agrupamiento jerárquico (clustering)
  • Agrupamiento no jerárquico (clustering) 
  • Análisis de Componentes Principales (PCA)
  • Análisis de Correspondencia (CA)
  • Análisis de Coordenadas Principales (PCoA)
  • Escalamiento Multidimensional No Métrico (NMDS)


Módulo 3: Métodos multivariados canónicos

  • Introducción al análisis canónico
  • Análisis de Redundancia (RDA, y variantes)
  • Gráfico triplot
  • Pruebas de permutaciones
  • Análisis de Correspondencia Canónica (CCA, y variantes).
  • Análisis Discriminante Lineal (LDA)
  • Análisis Discriminante Cuadrático (QDA)



Incluye

  • Clases online 100% en vivo.

  • Videos de las grabaciones disponibles posterior a cada sesión de clase.

  • Archivos descargables R Markdown para el trabajo en clase.

  • PDFs de las sesiones de clase.

Técnicas para lidiar

con bases de datos complejas

Se conoce que las observaciones hechas en estudios no controlados están influenciadas por un sin número de variables. En este contexto, las estrategias de modelamiento estadístico, por parsimonia, suelen hacer uso de pocas variables para abstraer dicha realidad. Los métodos multivariados permiten el uso de matrices de variables para identificar ordenamientos, agrupamientos, y clasificación, utilizando grandes cantidades de datos, reflejando de mejor manera los patrones observados en el mundo real.
C4 LDA ejemplo

Instructor

Profesor Irwing S. Saldaña

Candidato a Magíster (Universidad de San Martín de Porres - Perú, y Universidad Nacional Mayor de San Marcos - Perú). Biólogo con experiencia en análisis estadístico y modelamiento. Experiencia de más de 3 años en enseñanza del lenguaje de programación R a alumnos de diferencias profesiones. Interesado en el desarrollo de la informática ecológica y evolutiva (Eco-Evo Informática), con un enfoque de biología integrativa.

Inscripción

23% de descuento por inscripción temprana. Válido hasta el 13 de marzo de 2022.

Preguntas frecuentes

Encuentra la respuesta a lo necesitas. Para otras consulta, comunícate mediante el correo electrónico: soporte@masterx.org

  • ¿Cómo puedo aplicar a un descuento especial si soy estudiante de pregrado?

    En el Instituto de Ciencias Antonio Brack te brindamos un apoyo especial si eres estudiante de pregrado en cualquier país de Latinoamérica y El Caribe. Si estás cursando uno de tus ciclos universitarios, envíanos una solicitud simple a info@brackinstitute.com con asunto: Solicito descuento estudiante pregrado, para recibir 20% de descuento extra. Adjunta en (PDF o imagen) la constancia de matrícula del ciclo que estés cursando. En el documento, emitido oficalmente por la universidad, debe figurar como mínimo: año actual, ciclo en curso, nombre completo del alumno. Finalmente, coloca en el texto del mensaje el correo electrónico con el que creaste tu cuenta en masterX para brindarle el beneficio en caso seas elegible.

  • ¿Por cuánto tiempo tendré acceso a mi curso?

    Depende del tipo de curso. En masterX, solo los cursos grabados (a ritmo propio) brindan acceso por tiempo ilimitado a las páginas y materiales del curso. Por otro lado, los cursos con sesiones en vivo solo se mantienen abiertos por un máximo de 200 días posteriores a la inscripción en el mismo. Toma tus precauciones, y rinde tu evaluación final tan pronto acabe el curso, para evitar perder la oportunidad de tener el certificado final.

  • ¿Cómo obtengo la certificación?

    Se obtiene automáticamente tras aprobar el examen final del curso con nota mínima aprobatoria de 16.

  • ¿El certificado es físico o digital?

    El certificado es 100% digital, y es entregado en formato PDF con validación por URL.

  • ¿Cómo es validado el certificado?

    Cada certificado tiene una página web (dirección URL) única, misma que valida que este fue emitido en la plataforma masterX. Puedes compartir tu certificado en redes sociales, como LinkedIn.

Foto portada, adaptado del original de JJ Ying en Unsplash