Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Los datos faltantes están por todas partes. Al proceso de rellenar valores perdidos se le llama imputación, y saber cómo completarlos correctamente es una habilidad esencial si quieres hacer predicciones precisas y destacar. En este curso, aprenderás a usar visualizaciones y pruebas estadísticas para reconocer patrones de datos faltantes y a imputar datos con una colección de modelos estadísticos y de Machine Learning. También desarrollarás habilidades para la toma de decisiones, que te ayudarán a elegir qué método de imputación encaja mejor en cada situación. Por último, aprenderás a incorporar la incertidumbre de la imputación en tus inferencias y predicciones, haciéndolas más sólidas y fiables.
Requisitos previos
Programa de formación
Esquema del curso
1
El problema de los datos faltantes
En este capítulo descubrirás por qué los datos faltantes pueden suponer un riesgo al analizar un conjunto de datos. Se te presentarán los tres mecanismos de datos faltantes y aprenderás a reconocerlos usando pruebas estadísticas y herramientas de visualización.
- Datos ausentes: qué puede salir mal50 XP
- Regresión lineal con datos incompletos100 XP
- Analizar la salida de una regresión50 XP
- Comparar modelos100 XP
- Mecanismos de datos faltantes50 XP
- Reconocer los mecanismos de datos faltantes100 XP
- t-test para MAR: preparación de datos100 XP
- t-test para MAR: interpretación100 XP
- Visualizar patrones de datos faltantes50 XP
- Gráfico de agregación100 XP
- Gráfico de columna vertebral (spine plot)100 XP
- Gráfico mosaic100 XP
2
Imputación basada en donantes
Conoce la taxonomía de los métodos de imputación y aprende tres técnicas basadas en donantes: imputación por media, hot-deck y k-Nearest-Neighbors. Verás cómo funcionan por dentro antes de aprender a aplicarlas a un conjunto de datos reales de clima tropical. Por el camino, también conocerás trucos útiles que podrás usar para que funcionen aún mejor en tus problemas.
3
Imputación basada en modelos
Es hora de aprender a usar modelos estadísticos y de Machine Learning, como la regresión lineal, la regresión logística y los random forests, para imputar datos faltantes. En este capítulo, verás cómo los modelos hacen sus predicciones y usarás ese conocimiento para extraer los valores imputados de distribuciones condicionales. Esto es importante porque asegura que tus imputaciones sean más variadas y plausibles, haciéndolas más similares a los datos reales.
4
Incertidumbre derivada de la imputación
Los valores imputados no están grabados en piedra. Son estimaciones, y las estimaciones conllevan incertidumbre. En este capítulo final, descubrirás cómo el bootstrapping y las ecuaciones encadenadas usando el paquete mice pueden incorporar la incertidumbre de la imputación en tus modelos y análisis para hacerlos más fiables y robustos.
R
Tratamiento de datos faltantes con imputaciones en R
Curso
completado
