Laboratorios

Ejercicios prácticos

Cada día incluye un laboratorio donde aplicamos los conceptos discutidos en clase a datos reales. Los laboratorios se realizan en R usando RStudio.

Lab 1: Primer flujo de trabajo con tidymodels

Día 1. Configuración del entorno, carga de datos, división train/test, ajuste de un modelo simple y evaluación de métricas básicas.

Diapositivas (.html) | Diapositivas (.qmd) | Código (.R) | Tarea 1 (.html) | Tarea 1 (.qmd) | Respuestas Tarea 1 (.html) | Respuestas Tarea 1 (.qmd)

Lab 2: Exploración avanzada y comparación de modelos

Día 1. Exploración de datos de satisfacción democrática en América Latina. Feature engineering, comparación de regresión logística, árboles de decisión y KNN con tidymodels.

Diapositivas (.html) | Diapositivas (.qmd) | Código (.R) | Tarea 2 (.html) | Tarea 2 (.qmd) | Respuestas Tarea 2 (.html) | Respuestas Tarea 2 (.qmd)

Lab 3: Clasificación avanzada con Latinobarómetro

Día 2. Clasificación avanzada con datos simulados de Latinobarómetro. Random Forest con tuning de hiperparámetros, XGBoost, interpretación con VIP y Partial Dependence Plots.

Diapositivas (.html) | Diapositivas (.qmd) | Código (.R) | Tarea 3 (.html) | Tarea 3 (.qmd) | Respuestas Tarea 3 (.html) | Respuestas Tarea 3 (.qmd)

Lab 4: Regresión y regularización

Día 2. Regresión lineal, LASSO, Ridge y Elastic Net con glmnet. Selección de variables, comparación de modelos de regresión y predicción con datos de Latinobarómetro.

Diapositivas (.html) | Diapositivas (.qmd) | Código (.R) | Tarea 4 (.html) | Tarea 4 (.qmd) | Respuestas Tarea 4 (.html) | Respuestas Tarea 4 (.qmd)

Lab 5: Clustering y PCA

Día 3, sesión 1. Segmentación de países latinoamericanos por indicadores socioeconómicos del Banco Mundial usando K-means, clustering jerárquico y PCA.

Código (próximamente)

Lab 6: Análisis de texto

Día 3, sesión 2. Tokenización, TF-IDF, nube de palabras y extracción de tópicos (LDA) en discursos políticos latinoamericanos con tidytext y topicmodels.

Código (próximamente)

Lab 7: Primeros pasos con ellmer

Día 4, sesión 1. Uso de ellmer para interactuar con modelos de lenguaje desde R. Clasificación automática de textos y extracción de datos estructurados.

Código (próximamente)

Lab 8: Aplicaciones avanzadas de LLMs

Día 4, sesión 2. Análisis de sentimiento con LLMs, generación de datos sintéticos y auditoría de sesgos algorítmicos.

Código (próximamente)

Lab 9: Auditoría de sesgo algorítmico

Día 5. Métricas de equidad, detección de sesgo en modelos de ML y propuestas de investigación.

Código (próximamente)

Requisitos de software

Antes del primer día, asegurarse de tener instalado:

install.packages(c(
  "tidyverse", "tidymodels",
  "ranger", "glmnet", "kknn", "rpart", "vip", "pdp",
  "tidytext", "topicmodels", "textrecipes",
  "ellmer", "httr2"
))

Se enviarán instrucciones detalladas de instalación por correo electrónico antes del inicio del curso.