Las 8 mejores ideas de proyectos R para 2023

La ciencia de datos es uno de esos ámbitos en los que no basta con crear un currículum impresionante para entrar en el mercado laboral. Si quieres iniciar una carrera en este campo, el paso crucial que debes dar es crear una cartera de proyectos relevantes que muestren tus habilidades con los datos en la entrevista. Si dominas la programación en R, tener algunos proyectos en R que mostrar puede sin duda impresionar.

La buena noticia es que nunca es demasiado pronto ni demasiado tarde para empezar a crear una cartera de este tipo. Tanto si eres un novato total como si ya estás a mitad de camino en el aprendizaje de la ciencia de datos, puedes empezar a trabajar en tus proyectos de R ahora mismo. 

No pasa nada porque tus primeros proyectos parezcan amateur. Siempre puedes volver a ellos más tarde, elaborarlos, perfeccionarlos o incluso eliminarlos cuando hagas proyectos más avanzados. Lo más importante es iniciar el proceso.

Pero, ¿qué temas debe desarrollar en esos proyectos? En este artículo, esbozaremos algunas ideas útiles para sus proyectos de ciencia de datos utilizando R y veremos algunos ejemplos para empezar. También hablaremos del lenguaje de programación R y de cómo se utiliza para el análisis de datos y la ciencia de datos.

¿Por qué utilizar R?

R es un lenguaje de programación y un software muy utilizado actualmente para resolver problemas de análisis de datos, ciencia de datos y aprendizaje automático. A diferencia de Python, que es otro lenguaje muy popular en la ciencia de datos, R no es de uso general. En cambio, está diseñado principalmente para el cálculo estadístico avanzado y rápido, el modelado de datos y la creación de visualizaciones impactantes. Aquí es exactamente donde esta lengua demuestra su verdadero poder. 

Además, R es:

• Gratuito y de código abierto
• Equipado con una enorme cantidad de paquetes de ciencia de datos bien documentados(casi 20.000, en octubre de 2023).
• Compatible con muchos sistemas operativos
• Con el apoyo de una excelente comunidad en línea.

Encontrará más información sobre el lenguaje de programación R y cómo aprenderlo en nuestros artículos ¿Qué es R? - The Statistical Computing Powerhouse y Cómo empezar con R. También puedes realizar un curso DataCamp Introducción a R. 

Para empezar a aprender R desde cero o para dominar determinadas habilidades técnicas, consulte nuestros diversos recursos de aprendizaje, incluidos cursos, itinerarios de habilidades y trayectorias profesionales.  En particular, para un camino bien equilibrado y completo hacia el aprendizaje de R, considere las trayectorias profesionales Científico de datos con R y Científico de aprendizaje automático con R.

R para proyectos de análisis de datos

Realizar análisis de datos es el primer paso de cualquier proyecto de ciencia de datos. Es lógico: antes de sumergirnos en la predicción de escenarios futuros mediante técnicas de machine learning y deep learning, tenemos que desvelar el estado actual (y pasado) de las cosas. 

Por otro lado, el análisis de datos puede ser una tarea independiente. En ambos casos, R nos proporciona un amplio espectro de bibliotecas útiles adaptadas específicamente para fines analíticos.

Con R, podemos analizar los datos de los sitios web, limpiarlos y manipularlos, visualizarlos, explorar sus estadísticas, formular y probar hipótesis y extraer perspectivas y patrones significativos de los datos iniciales. Entre estas tareas, el análisis estadístico y las asombrosas visualizaciones son una auténtica carta ganadora de R, y es aquí donde este lenguaje de programación suele superar a su principal rival Python.

Aparte de los paquetes multiuso comunes de R (readr para la lectura de datos, tidyr para la limpieza de datos, ggplot2 para la visualización de datos, etc.), hay muchos módulos diseñados para diversos problemas analíticos aplicados. Por ejemplo:

• fAssets - para analizar y modelizar activos financieros
• mdapack - un paquete de análisis de datos médicos
• GEOmap - para cartografía topográfica y geológica
• AeRobiology - una herramienta computacional para datos aerobiológicos
• galigor - una colección de paquetes para la comercialización en Internet
• lingtypology - para tipología y cartografía lingüísticas

e incluso bibliotecas hiperfocalizadas como:

• nCov2019 - para explorar las estadísticas de COVID-19

R para proyectos de ciencia de datos

Como ya hemos mencionado, R es un lenguaje de programación orientado a la ciencia de datos que ofrece más de 19.000 paquetes de ciencia de datos. Además de las tareas puramente analíticas enumeradas en la sección anterior, podemos utilizar R para problemas más avanzados con el alcance de predecir y modelizar datos desconocidos. El uso de R nos permite:

• Realizar la selección de características
• Realizar todo tipo de tareas de aprendizaje automático(supervisado, semisupervisado, no supervisado y aprendizaje de refuerzo) y aprendizaje profundo.
• Aplicar diversos métodos de aprendizaje automático, como la clasificación, la regresión, la agrupación, el proceso de lenguaje natural (PLN) o las redes neuronales artificiales (RNA).
• Estimar la precisión del modelo
• Seleccione el mejor modelo

Una vez más, junto con los paquetes de ciencia de datos de uso común (caret para entrenamiento de clasificación y regresión, naivebayes para implementar el algoritmo Naive Bayes, randomForest para construir modelos de bosque aleatorio, deepNN para aprendizaje profundo, etc.), hay muchas bibliotecas altamente especializadas, hasta las realmente específicas. Por mencionar algunos:

• OenoKPM - para modelar la cinética de la producción de CO2 en la fermentación alcohólica
• fHMM - para ajustar modelos de Markov ocultos a datos financieros
• paleopop - un marco de modelización orientado a patrones para modelos paleoclimáticos acoplados de nicho-población
• ibdsim2 - para simular regiones cromosómicas compartidas por miembros de una familia
• rSHAPE - para simular la evolución de poblaciones haploides asexuales

Proyectos R

Ahora, vamos a echar un vistazo a algunos ejemplos de proyectos en R y a detectar ideas interesantes para seguir desarrollando, tanto para principiantes como para usuarios experimentados.

Ejemplos de proyectos en R

Una de las formas más útiles de buscar proyectos en R es crear tú mismo dichos ejemplos.

No te preocupes, no da tanto miedo como parece. Incluso si eres principiante en la ciencia de datos en R, puedes optar por proyectos "sandbox" que vienen con los datos listos para ser analizados o modelados, te introducen en el contexto de un problema y te proporcionan una guía útil sobre qué pasos dar y por qué. 

Si eres un alumno más avanzado, siempre puedes explorar los datos más a fondo, desde distintos ángulos, e ir mucho más allá de las instrucciones sugeridas para satisfacer tu curiosidad sobre los datos. En cualquier caso, aprender activamente mientras se hace es una alternativa mejor que limitarse a leer los proyectos de otras personas.

DataCamp ofrece una gran variedad de proyectos de ciencia de datos en R que te permitirán practicar muchas habilidades técnicas. Por ejemplo, importación y limpieza de datos, manipulación de datos, visualización de datos, probabilidad y estadística, aprendizaje automático, etc.

Aparte de los temas populares (como Explorar el mercado de Airbnb en Nueva York, Visualizar COVID-19, Agrupar datos de pacientes con enfermedades cardíacas o Predecir tarifas de taxi con bosques aleatorios) que tradicionalmente se analizan en diversas escuelas de ciencia de datos, aquí también encontrarás numerosos temas frescos y curiosos. No dude en explorarlos más a fondo:

• Auge y declive de los lenguajes de programación
• Explora los rankings de dulces de Halloween de 538
• Un análisis textual de los tuits de Trump
• Titulaciones que te compensan
• El impacto del cambio climático en las aves
• ¿Qué hace que un Pokémon sea legendario?
• Las malas contraseñas y las directrices del NIST
• Historia visual de los Premios Nobel

Proyectos R para principiantes

Después de echar un vistazo a los proyectos R existentes o de hacer algunos guiados por ti mismo, puedes decidir empezar a crear tus propios proyectos desde cero. Siempre es una buena idea, sea cual sea la fase de aprendizaje de la R en la que te encuentres.

Si vas a realizar uno de tus primeros proyectos sin guía, lo primero que debes plantearte es dónde encontrar los datos sobre los que trabajar. Por suerte, hay muchos repositorios populares en línea que ofrecen enormes colecciones de conjuntos de datos gratuitos y bien documentados, tanto del mundo real como sintéticos. Algunos ejemplos destacados de este tipo de recursos son DataLab, Kaggle, UCI Machine Learning Repository, Google Dataset Search, Google Cloud Platform, FiveThirtyEight y Quandl.

Ahora que tienes una gran selección de datos, ¿qué puedes hacer exactamente con ellos como principiante en R? Dado que estos van a ser tus primeros proyectos de ciencia de datos en R, considera la posibilidad de llevar a cabo una limpieza y manipulación de datos básica, una exploración de datos sencilla y una visualización de datos.

1. Explorar los datos de Spotify

Spotify es uno de los mayores servicios digitales de música, vídeo y multimedia donde puedes encontrar millones de canciones, vídeos y podcasts de todo el mundo. 

Puedes tomar un conjunto de datos ya preparado, Spotify Music Data, que contiene alrededor de 600 de las mejores canciones a lo largo de un periodo de tiempo y explorar sus estadísticas desde muchos ángulos. Por ejemplo, considere la posibilidad de analizar los siguientes factores y cuestiones, completando sus conclusiones con gráficos significativos cuando sea necesario:

• Cantidad de palabras habladas
• Sonoridad
• Duración de la canción
• La energía de cada canción
• Qué artistas son los más populares
• ¿Qué géneros son los más populares?
• Qué cambios globales en las preferencias musicales se han producido a lo largo de los años
• Qué hace que una canción sea top

Un ejemplo del proyecto R de datos musicales de Spotify

2. Análisis de las estadísticas de tiro de la NBA

La National Basketball Association (NBA) es una liga norteamericana de baloncesto profesional masculino compuesta por 30 equipos, una de las mayores del mundo.

El conjunto de datos NBA Shooting Data contiene los datos recopilados de cuatro jugadores diferentes para las eliminatorias de la NBA de 2021. Puedes analizar y visualizar estos datos e intentar responder a las siguientes preguntas:

• ¿Cuál es la mejor posición de tiro para cada jugador?
• ¿A qué distancia tiene más probabilidades cada jugador de anotar un tiro?
• ¿Quién de estos jugadores es el mejor defensor?
• ¿En cuál de estos jugadores pondría al mejor defensor?
• ¿Están correlacionados la eficacia de un tirador y la del jugador que le defiende?
• ¿Cómo se distribuyen espacialmente en la cancha los tiros realizados y fallados?

Un ejemplo del proyecto R sobre estadísticas de tiro de la NBA

3. Análisis de los datos de población mundial

Otra idea interesante para un proyecto R de ciencia de datos para principiantes es investigar las tendencias de la población mundial.

El conjunto de datos World Population Data proporciona estadísticas de población total para cada país desde 1960 hasta 2020, así como alguna información adicional por país, como su región, grupo de renta y notas especiales (si las hubiera). Aquí se pueden explorar múltiples cuestiones:

• ¿Cómo ha cambiado la población de su país (o de cualquier otro país) a lo largo del tiempo?
• ¿Cómo ha cambiado la población de las distintas partes del mundo a lo largo del tiempo?
• ¿Qué país o países han experimentado el mayor aumento/disminución de población a lo largo del tiempo?
• ¿Qué país o países han experimentado el mayor aumento/disminución de población en los últimos cinco (o diez) años?
• ¿Cuántas personas nacieron en su país (o en cualquier otro país) durante el año de su nacimiento?
• ¿Cómo afecta el grupo de renta al crecimiento demográfico de un país?
• ¿Cuáles son las tendencias del crecimiento demográfico por regiones?

No olvide añadir gráficos atractivos siempre que sea útil: ayudarán a sus lectores a captar mejor las ideas principales de su análisis.

Proyectos R más avanzados

Si estás a mitad de camino en el aprendizaje de la ciencia de datos en R, puede que te interese construir proyectos en R más sofisticados en los que aplicarías tanto tus habilidades de análisis de datos como algunos algoritmos de aprendizaje automático. 

¿Qué temas puede seleccionar para ellos? Veamos algunas ideas potenciales para tus proyectos avanzados de ciencia de datos en R.

4. Predecir la pérdida de clientes de telecomunicaciones

La rotación de clientes es una tendencia de los clientes a cancelar sus suscripciones a un servicio y, como resultado, dejar de ser cliente de ese servicio. Se calcula como el porcentaje de clientes que abandonan en un periodo determinado. 

Este indicador depende de muchos factores y muestra el bienestar general de la empresa. Cuando es demasiado alta, la tasa de rotación de clientes representa un grave problema para cualquier empresa, ya que conduce a la pérdida de ingresos de la empresa y daña su reputación. Por lo tanto, es muy importante poder predecir la tasa de rotación de clientes para evitarla.

Puede utilizar el conjunto de datos de rotación de clientes de telecomunicaciones para elaborar un proyecto de ciencia de datos sobre la predicción de la tasa de rotación de clientes en una empresa de telecomunicaciones. 

En concreto, aquí hay que predecir si un cliente se dará de baja o no basándose en los datos disponibles y qué factores aumentan la probabilidad de que un cliente se dé de baja. Técnicamente, se trata de un problema de clasificación típico del aprendizaje automático cuando los clientes se etiquetan como 1 (churn) o 0 (no churn).

5. Detección del fraude con tarjetas de crédito

El fraude con tarjetas de crédito es un grave problema en la banca, ya que este ámbito tradicionalmente se ocupa de un elevado número de transacciones en línea. La detección del fraude con tarjetas de crédito es principalmente un problema de clasificación supervisada en el que podemos aplicar métodos como k-nearest neighbors (KNN), regresión logística, máquinas de vectores soporte (SVM) o árboles de decisión. 

Sin embargo, también puede resolverse utilizando enfoques de agrupación, reconocimiento de anomalías o redes neuronales artificiales.

Este problema es difícil para el negocio bancario en general porque los patrones de fraude y las tácticas de los defraudadores están en constante elaboración, por lo que los sistemas de detección de fraudes tienen que adaptarse rápidamente a estos cambios. 

Para un científico de datos o de aprendizaje automático, el reto está también en la naturaleza de estos conjuntos de datos: siempre implican un desequilibrio de clases, ya que los casos de fraude son siempre minoritarios (por suerte) y están bien ocultos entre las transacciones reales (por desgracia).

El conjunto de datos sobre fraudes con tarjetas de crédito contiene información sobre transacciones con tarjetas de crédito en el oeste de Estados Unidos. Considere la posibilidad de utilizarlo para detectar fraudes con tarjetas de crédito aplicando el enfoque de clasificación. 

Como indicación adicional, el modelo debería tender a ser más conservador, lo que significa que, en aras de la seguridad, no es un gran problema etiquetar transacciones como fraudulentas cuando no lo son. También puede investigar una distribución geoespacial de los índices de fraude en los distintos estados.

Otro ejemplo de proyecto R de DataCamp

6. Predecir la demanda de bicicletas compartidas

Mientras que los dos proyectos anteriores estaban relacionados con la clasificación de entradas de datos en categorías predefinidas, aquí se trata de predecir resultados continuos basados en características de entrada. En otras palabras, necesita resolver un problema de regresión aplicando métodos como la regresión lineal, la regresión ridge, la regresión lasso, el árbol de decisión o las máquinas de vectores soporte (SVM).

El conjunto de datos de demanda de bicicletas compartidas incluye información sobre el número de bicicletas públicas alquiladas en el sistema de bicicletas compartidas de Seúl por horas, el tiempo, la fecha, la hora, si era festivo o no, etc. Su tarea consiste en predecir el número de bicicletas que se alquilarán basándose en esa información. 

También puede utilizar este proyecto para comparar el número medio de bicicletas alquiladas según la hora del día (mañana, tarde y noche) en las cuatro estaciones diferentes, explorar la relación entre la temperatura y el número de bicicletas alquiladas, etc. Cuando proceda, añada visualizaciones perspicaces para apoyar sus conclusiones.

7. Agrupación de datos de comercio electrónico

Siempre es una buena idea tener en tu cartera al menos un proyecto que demuestre tu capacidad para aplicar enfoques de aprendizaje no supervisado.

Para ello, consideremos el conjunto de datos E-Commerce Data, que consiste en las compras realizadas en un minorista en línea con sede en el Reino Unido por clientes de distintos países durante un determinado periodo de tiempo. 

Un escenario especulativo aquí es que el minorista quiera hacer inventario de los artículos disponibles. Como supuesto científico de datos que trabaja en esta empresa, necesita agrupar los productos en un número reducido de categorías en función de su similitud por algunas características comunes (precio, cantidad vendida, etc.). Se trata de un problema de clustering de aprendizaje no supervisado, con k-means como algoritmo más popular.

También puede analizar cuestiones adicionales, como qué cinco países son responsables de la mayor parte de los beneficios, o si el tamaño de los pedidos de países de fuera del Reino Unido es significativamente mayor que el de los pedidos de dentro del Reino Unido.

8. Identifying SMS Spam

Por último, considere la posibilidad de poner en práctica sus conocimientos de procesamiento del lenguaje natural (PLN) en R en uno de sus proyectos.

El conjunto de datos SMS Spam Collection contiene una colección de más de 5.500 mensajes en inglés etiquetados en consecuencia como spam o no spam ("jamón"). 

A partir de estos datos, cree un filtro que sea capaz de distinguir con precisión entre spam y mensajes normales. Para ello, tendrá que utilizar un paquete NLP de R (por ejemplo, koRpus) para buscar patrones lingüísticos y contextuales en el texto de los mensajes y averiguar qué hace que un mensaje sea spam o jamón, para luego generalizar estas observaciones en los nuevos datos.

Opcionalmente, puede investigar cuáles son las palabras más propensas al spam creando una visualización de nube de palabras.

Conclusión

Para terminar, hemos hablado de por qué es importante crear una cartera de proyectos para empezar una carrera en la ciencia de datos, por qué y cómo utilizar R para el análisis de datos y la ciencia de datos, dónde encontrar datos relevantes y ejemplos de proyectos en R, y qué temas puedes desarrollar en esos proyectos tanto si eres principiante como avanzado en la ciencia de datos.

Por supuesto, las ideas sugeridas para sus proyectos son sólo la punta del iceberg. Con R se pueden hacer muchas más cosas: crear sistemas de recomendación, realizar segmentaciones de clientes, predecir el tipo de cambio de las acciones, realizar análisis del sentimiento de los clientes, identificar el posicionamiento óptimo de los taxis y muchas otras cosas. 

Para más inspiración, visite DataLab, un IDE en línea con conjuntos de datos precargados y plantillas predefinidas para escribir código y analizar datos que le ayuda a pasar de aprender a hacer ciencia de datos. 

Además, no dude en explorar los itinerarios profesionales en línea de DataCamp para principiantes y muy completos:

• Científico de datos con R
• Analista de datos con R
• Científico de aprendizaje automático con R
• Estadístico con R