Máster Data Science Estadística con R, XIX EDICIÓN – 30 NOVIEMBRE 2024

Name: Máster en Estadística Aplicada para Data Science con R Software
Brand: Máxima Formación
SKU: MF000363
Availability: InStock

Desata todo el potencial de tus datos mediante técnicas de Data Science clásicas, robustas, avanzadas y multivariantes en nuestro Máster Ciencia de Datos con R

Duración10 meses – 66 ECTS

PrecioConsultar

Inicio30 Noviembre 2024

Plazo de MatrículaMatrícula Abierta

Formación
100% Online

Plan de estudios

Desarrolla tu experiencia con nuestro Máster Ciencia de Datos con R, que ofrece contenidos propios, un campus virtual accesible las 24 horas y 100% en español.

Plan de estudios: Máster Ciencia de Datos Online con R Software

Este máster en Data Science enfatiza el uso especializado del lenguaje R para ciencia de datos. Explora de manera metódica el master en Data Science aplicada, integrando técnicas avanzadas en un entorno online.
Este programa destaca en el ámbito de R for data science y se posiciona como un referente en el máster análisis de datos online.

Módulo I

UNIDAD 1. INTRODUCCIÓN A LA ESTADÍSTICA APLICADA CON R

• Introducción a la Estadística Aplicada y su caja de herramientas.
• Descarga e instalación de R, RStudio y sus paquetes.
• Cómo trabajar con R/RStudio.
• Operaciones básicas. Ayuda. Viñetas. Citas.
• Documentación. Git/GitHub.
• Creación de informes reproducibles con RMarkdown.

UNIDAD 2. OBTENCIÓN, LIMPIEZA Y EXPLORACIÓN DE DATOS

• Obtención y manipulación de bases de datos con tidyverse.
• Tipos de variables.
• Estadística descriptiva, medidas clásicas y robustas.
• Gráficos avanzados con ggplot2.

UNIDAD 3. CORRELACIÓN Y REGRESIÓN LINEAL

• Correlación simple, múltiple, parcial y robusta.
• Regresión lineal simple y múltiple.
• Selección de variables.
• Evaluación de supuestos y transformaciones.
• Adecuación del modelo.
• Predicciones, interpretación y representación de interacciones entre predictores.

Módulo II

UNIDAD 4. INFERENCIA ESTADÍSTICA

• Conceptos básicos, hipótesis, p-valor, significación y tipos de errores.
• Pruebas de hipótesis y estimación de intervalos de confianza.
• Potencia estadística, estimación del tamaño muestral y del tamaño de efecto.
• Comparación de puntuaciones (medias) y comparación de proporciones para una y dos muestras. Pruebas paramétricas, no paramétricas y robustas.

UNIDAD 5. DISEÑO EXPERIMENTAL

• Estrategias de experimentación.
• Factores de control, replicación, aleatorización, bloqueo y factorización.
• Diseños uni y multi-factoriales, ANOVA de una y dos vías, ANCOVA, análisis de interacción entre factores.
• Estimación del tamaño de muestra.

¿Qué aprenderás en los módulo I y II?

Conocer la caja de herramientas del científico de datos: el lenguaje de R Software y sus herramientas de gestión y manipulación de datos RStudio y RMarkdown.
Manejar datos complejos: muestras de pequeño tamaño, presencia de datos atípicos (outliers), el incumplimiento de los supuestos de la estadística clásica (independencia, normalidad, linealidad y homogeneidad de varianza).
Aplicar técnicas de estadística descriptiva clásica y robusta, para obtener resultados fiables ante la presencia de outliers.
Generar gráficos potentes y eficaces para resumir los principales patrones de datos. • Identificar relaciones espurias o de confusión entre variables.
Modelar y predecir la relación entre variables mediante modelo de regresión lineal. • Seleccionar predictores y evaluar su importancia relativa.
Seleccionar y aplicar pruebas de hipótesis (paramétricas, no paramétricas y robustas) para evaluar las preguntas de tus investigaciones.
Elegir la técnica más adecuada para sacar el máximo partido a tus datos en cada caso. • Informar de tus resultados con el mayor rigor estadístico.
Detectar el alcance de tus resultados en función del tamaño del efecto y calcular de forma efectiva el tamaño de la muestra que necesitas.
Comprender la potencia estadística de tus análisis para obtener resultados certeros.
Diseñar modelos experimentales óptimos para responder a tus preguntas de investigación (diseño completamente aleatorizado, diseño con bloques aleatorizados, diseño factorial, etc.).
Aumentar la capacidad de detectar cambios significativos.

Módulo III

UNIDAD 6. MODELOS DE REGRESIÓN AVANZADOS

• Ampliación del modelo lineal ante el incumplimiento de los supuestos estadísticos clásicos.
• Modelo aditivo generalizado (GAM).
• Modelo lineal generalizado (GLM).
• Modelo Mixto (MM).

UNIDAD 7. ANÁLISIS DE AGRUPACIÓN CLÚSTER

• Análisis Clúster jerárquico y no jerárquico (por k-medias).
• Validación y representación de la agrupación.

UNIDAD 8. DISCRIMINACIÓN Y COMPARACIÓN MULTIVARIANTE

• Análisis de discriminación lineal (LDA) y cuártico (QDA).
• Análisis multivariante de la varianza (MANOVA) y sus versiones no paramétricas (MRPP, ANOSIM, MPANOVA, MANTEL).

UNIDAD 9. ORDENACIÓN Y REDUCCIÓN DE LA DIMENSIÓN

• Análisis de componentes principales (PCA).
• Análisis de correspondencias (CA).
• Análisis de escalamiento multidimensional (MDS/NMDS).

¿Qué aprenderás en el módulo III?

Aplicar técnicas avanzadas de modelado para predecir comportamientos: modelos aditivos generalizados (GAM), modelos lineales generalizados (GLM, de Poisson, binomiales negativos y logísticos), modelos mixtos (MM), y sus combinaciones.
Dominar los modelos mixtos para modelar varianzas no constantes, efectos aleatorios y datos correlacionados o anidados.
Utilizar herramientas de Data Mining y Machine Learning. • Manejar conjuntos de datos con muchas variables (multivariantes o multidimensionales), visualizar patrones ocultos y descubrir relaciones potencialmente predictivas. • Evitar los problemas derivados de aproximaciones univariantes.
Utilizar información sobre la relación entre las variables para reflejar adecuadamente la complejidad de los datos, comprender su estructura y características claves. • Solucionar los problemas derivados de los análisis univariantes, identificar las variables que más contribuyen a la variación de los datos, aislar o combinar variables, resumir la redundancia, y visualizarlas en su conjunto.
Clasificar, ordenar, discriminar y comparar datos multivariantes.
Dominar las técnicas fundamentales de aprendizaje no supervisado: métodos de agrupación y reducción de dimensión.
Dominar los métodos de agrupación automática no supervisada: análisis clúster.
Dominar los métodos de clasificación supervisada: análisis de discriminación lineal (LDA).
Evaluar si existen diferencias significativas entre grupos para un conjunto de variables respuesta (MANOVA, ANOSIM, ADONIS, MRPP, MANTEL).
Aplicar técnicas de ordenación y reducción de la dimensión de los datos: análisis de componentes principales (PCA), análisis de correspondencia (CA) y escalamiento multidimensional (MDS/NMDS).

Trabajo Fin de Máster Ciencia de Datos Online con R Software

El Trabajo Fin de Máster en nuestro programa de máster data science España es la culminación de un viaje académico enfocado en el Máster en Estadística con R. En este proyecto, los estudiantes aplican técnicas específicas de análisis de datos online utilizando el lenguaje R para ciencia de datos.

Trabajo de Fin de Máster (TFM)
Una vez aprobado el temario del Máster deberás realizar un TFM en el que aplicarás en la práctica las técnicas abordadas en el Máster.

El TFM es una oportunidad excelente para demostrar que cuentas con habilidades avanzadas en adquisición, preparación, visualización, programación, modelado, evaluación e interpretación de datos para afrontar proyectos de Estadística Aplicada y Ciencia de Datos.

Descarga el plan de estudios

Dominio Estadístico: Máster Ciencia de Datos con R

Afronta con seguridad, confianza y rigor científico cualquier reto estadístico. Desarrolla competencias prácticas avanzadas con el Máster en ciencia de datos con R aplicada, para solucionar los problemas reales que surgen con el análisis, la manipulación y la representación gráfica de los datos en tu actividad profesional.

Convocatorias Máster en Data Science

Matricúlate en la XIX edición

Inicio de las clases el 30 de noviembre de 2024

MATRÍCULA ONLINE