Blog Posts
Datos geoespaciales, futbol y delitos con Tidymodels (Workflows Parte 2/2)
Análisis e implementación avanzada de workflows, sobre datos geoespaciales en el ecosistema Tidymodels.
¿Qué es y cómo se utiliza un Workflow? Tidymodels (Parte 1/2)
Análisis e implementación de workflows, recetas y modelos dentro del ecosistema Tidymodels.
%>% Tidypandas
Utilizar R y Python en Rstudio es cada vez más simple. En este post, se muestran las similitudes y diferencias entre tidyverse y pandas para la manipulación de datos.
Workflowsets in Time Series
This article shows the application of Workflowsets to time series analysis, through the package sknifedatar. It is an extension of the Modeltime ecosystem. The presented use case corresponds to USgas package data: US monthly natural gas consumption by residential consumers by state and aggregate level between 1989 and 2020.
Automagic Tabs in Distill/Rmarkdown files and time series analysis
This article shows the use of tabs in Rmarkdown documents, through an example of time series analysis of the monthly estimator of Argentine economic activity.
Múltiples modelos sobre múltiples series de tiempo: Un enfoque Tidy
Implementación de modelos de series de tiempo, utilizando el framework Tidymodels a través del paquete Modeltime. Ajuste de un modelo para una serie individual, varios modelos para una serie y múltiples modelos en múltiples series. El caso de uso corresponde a series de tiempo de actividad en Argentina: Flujo Vehicular y Estimador de Actividad Económica.
Predicción de delitos en CABA
Proyecto que aborda la problemática de la criminalidad en la Ciudad Autónoma de Buenos Aires (CABA). Son seleccionadas las intersecciones de calles de la ciudad, con el objetivo de predecir la ocurrencia de delitos para el mes de diciembre del 2019. Se toma como base el recuento histórico de crímenes y factores de entorno-meteorológicos. Se implementan modelos de aprendizaje automático a través del framework tidymodels.
Evaluación de predicciones mediante programación funcional en R
En esta publicación se evaluarán las predicciones de 3 modelos predictivos a través de las métricas disponibles en el paquete yardstick, sin embargo, se realizará fuera del flujo de trabajo del ecosistema de tidymodes en situaciones particulares donde actualmente no existe una función para este propósito. Esta es la excusa para utilizar las familias de funciones *apply(), lapply, mapply y una personalización de lapply, para automatizar todo el proceso en una simple pero robusta función.