Bienvenidos a LatinR 2025

Le damos la bienvenida a este taller que se presentará en la conferencia LatinR 2025 el 1 de diciembre. Construiremos, paso a paso, un flujo completo de machine learning con tidymodels: vamos a generar y explorar datos, estimar, comparar y regularizar modelos. Todo el material de apoyo (scripts .qmd, diapositivas y datos) se encuentra agregado en esta página para que puedas replicar cada demostración.

Trabajaremos principalmente con datos simulados para ilustrar los conceptos. A partir de ellos, enfatizaremos tres ideas clave:

  1. Cómo estimar el error de generalización con resampling.
  2. Cómo separar y visualizar el error en términos de sesgo, varianza y ruido.
  3. Cómo aplicar regularización (Lasso) para reducir la complejidad y seleccionar predictores.

Instrucciones

Preparación antes de LatinR

Para poder reproducir los ejemplos durante la charla:

  1. Cuenta en Posit Cloud: si aún no la tienes, crea una cuenta gratuita en Posit Cloud.
  2. Revisa los paquetes: tidymodels, vip, treemisc, usemodels y dependencias actualizadas.

Ante cualquier duda previa al evento puedes escribirnos.

Agenda en LatinR

  • Introducción a Machine Learning con tidymodels
  • Estimación de modelos de regresión lineal
  • Árboles de decisión
  • Regularización (Lasso)

Facilitadores

  • Francisco Cardozo (focardozom@gmail.com)
  • Edgar Ruiz ()

Diapositivas

Agenda y materiales

  1. 1. Introducción a tidymodels – Panorama general y flujo de trabajo.
  2. 2. Por qué tidymodels – Motivación y ventajas frente a otros enfoques.
  3. 3. Generar los datos – Simulación de datos y preparación para demos.
  4. 4. Modelos – Regresión logística, métricas y desafíos guiados.
  5. 5. Árboles – Árboles de decisión y visualización de reglas.
  6. 6. Tunning – Resampling, tuning y Random Forest.
  7. 7. Regularización – Regresión lineal, regularización y VIP.

Código de Comportamiento

Este es nuestro Código de Comportamiento. En resumen, los asistentes al taller se comprometen a generar y respetar un entorno inclusivo y seguro para todos los participantes. No se esperan comportamientos inaceptables como la discriminación y el acoso. Cualquier violación a estas normas puede resultar en medidas que van desde advertencias hasta la expulsión del evento.

Otros talleres

Back to top

Agradecimiento

Este taller es posible gracias a la Organización de LatinR. Si encuentras algún aspecto que pueda ser mejorado, por favor envíe un issue en nuestro repositorio de GitHub.

Licencia

Estos materiales han sido desarrollados bajo la siguiente licencia CC BY-SA 4.0 DEED.