Semillero R

class: center, middle, inverse, title-slide

.title[
# Semillero R
]
.subtitle[
## Sesión 1: Introducción al Machine Learning con R
]
.institute[
### Universidad Nacional - Universidad de Antioquia
]
.date[
### 2022-03-26
]

---

background-image: url(https://www.grid.cl/blog/wp-content/uploads/2019/03/Machine-learning-1024x682.jpg)
background-position: 50% 50%
class: center, bottom, inverse

---
class: center, middle

<center>
<img src = "img/img1.png" />
</center>

.footnote[
[Fuente: Diego Kozlowski y Juan Manuel Barriola](https://diegokoz.github.io/EEA2019/clase%208/tidymodels.nb.html)
]

---

# Antecedentes históricos

<center>
<img src = "https://pbs.twimg.com/media/E51K5HwUYAgggrr.jpg" />
</center>

---

# IA, ML y DL

<center>
<img src = "https://els-jbs-prod-cdn.jbs.elsevierhealth.com/cms/attachment/923fc6c6-8255-455e-90a1-b8411d1896f0/gr1_lrg.jpg" width = 500/>
</center>

---

# ¿Qué es Machine Learning?

.pull-left[

<center>
<img src = "https://camo.githubusercontent.com/25fd9336fe8deb6154d3356ba52ac62475e9ae163ee599ff81ce5985a14727da/68747470733a2f2f63646e2d696d616765732d312e6d656469756d2e636f6d2f6d61782f313230302f312a6d6758767a4e637766706e426177493658546b5652672e706e67" width = 280/>
</center>

<br>
<center>
<img src = "https://cdn-images-1.medium.com/max/1200/0*rRe5C8jraGnY-kli.jpeg"/>
</center>

]

.pull-right[

<center>
<img src = "https://www.kdnuggets.com/wp-content/uploads/michell-process-measure-improve.png"/>
</center>

<br>

<center>
<img src = "https://i0.wp.com/www.zldoty.com/wp-content/uploads/2017/04/2017-04-06-001-Machine-Learning-Definition-ETP-Framework.png?resize=1003%2C550"/>
</center>

]

---

# Tipos de aprendizaje

<center>
<img src = "https://www.profesionalreview.com/wp-content/uploads/2019/08/Machine-Learning-1.png" />
</center>

---

# Moodelamiento Estadístico

> *"Si nuestro objetivo como campo es usar datos para resolver problemas, entonces debemos alejarnos de la dependencia exclusiva de los modelos de datos y adoptar un conjunto de herramientas más diverso"*.
> Leo Breiman.

<center>
<img src = "img/img2.png" width = 550/>
</center>

.footnote[
[Statistical Modeling: The Two Cultures](http://www2.math.uu.se/~thulin/mm/breiman.pdf)
]

---

# Proceso de *Ciencia de Datos* y esquema de modelación

<center>
<img src = "https://www.tmwr.org/premade/data-science-model.svg" width = 400/>
</center>

<center>
<img src = "https://www.tmwr.org/premade/modeling-process.svg" width = 600/>
</center>

---

# [*Tidy Modeling with R*](https://www.tmwr.org/)

<center>
<img src = "https://www.tmwr.org/images/cover.png" width = 380 />
</center>

---

#

.pull-left[

### [`tidyverse`](https://www.tidyverse.org/)

<center>
<img src = "https://tidyverse.tidyverse.org/logo.png" width = 310/>
</center>

]

.pull-right[

### [`tidymodels`](https://www.tidymodels.org/)

<center>
<img src = "https://avatars0.githubusercontent.com/u/29100987?s=400&v=4"/>
</center>

]

---

<center>
<img src = "https://pbs.twimg.com/media/Ef1Oac7WAAImCos.jpg" width = 680/>
</center>

---

# Construcción de modelos predictivos

0. Entendimiento del problema
  1. Análisis exploratorio  
  2. Remuestreo de datos
  3. Preprocesamiento
  4. Ingeniería de características
  5. Optimización de hiperparámetros
  6. Evaluación del modelo

<center>
<img src = "img/img3.png" width = 550/>
</center>

.footnote[
[Fuente: Tidymodels Ecosystem Tutorial](https://rpubs.com/chenx/tidymodels_tutorial)
]

---

# Aprendizaje supervisado con R

| Algoritmo | Función | Biblioteca | Tipo |
| :------- | :--------: | :-----: | :--: |
| Regresión lineal | `lm()`  | `stats`  | Regresión |
| Regresión logística | `glm()` | `stats` | Clasificación |
| Regresión regularizada | `glmnet()` | `glmnet` | Regresión, Clasificación |
| K-vecinos más cercanos | `kknn()`  | `kknn`  | Regresión, Clasificación |
| Árboles de decisión | `rpart()`  | `rpart`  | Regresión, Clasificación |
|  Análisis discriminante lineal | `lda()`  | `MASS`  | Clasificación |
| Análisis discriminante flexible | `earth()`  | `earth`  | Regresión |
| Splines de regresión adaptativa multivariante (MARS)| `earth()`  | `earth`   | Regresión |

---

# Aprendizaje supervisado con R

| Algoritmo | Función | Biblioteca | Tipo |
| :------- | :--------: | :-----: | :--: |
| Random Forest | `ranger()`  | `ranger`  | Regresión, Clasificación |
| Naive Bayes | `naive_bayes()`  | `naivebayes`  | Clasificación |
| Support Vector Machine | `svm()`  | `liquidSVM `  | Regresión, Clasificación |
| Extreme Gradient Boosting | `xgboost()`  | `xgboost` | Regresión, Clasificación |
| Perceptrón multicapa | `nnet()`  | `nnet`  | Regresión, Clasificación |
| Regresión multinomial  | `multinom()`  | `nnet`  | Regresión, Clasificación |
| Light Gradient Boosting Machine | `lightgbm()`  | `lightgbm`  | Regresión, Clasificación |

---

# Consideraciones

.panelset.sideways[

.panel[.panel-name[Complejidad vs Interpretación]

<center>
<img src = "img/img13.png"/>
</center>

]

.panel[.panel-name[Balance Sesgo-Varianza]

<center>
<img src = "img/img12.png"/>
</center>

]

]

---

# Ejemplo de regresión: [Predicción de gastos por turistas en Tanzania](https://zindi.africa/competitions/tanzania-tourism-prediction/data)

<center>
<img src = "img/img4.png" height = 300 />
</center>

## [Descargar datos](/Actividades/2022_01/data/01-regresion-tanzania.zip)

---

# Ejemplo de clasificación: [Registros clínicos de insuficiencia cardíaca](https://archive.ics.uci.edu/ml/datasets/Heart+failure+clinical+records)

<center>
<img src = "img/imgnew.png" />
</center>

---
class: inverse, center, middle

# [*Tidy Modeling with R*](https://www.tmwr.org/)

<center>
<img src = "https://www.tmwr.org/images/cover.png" width = 380 />
</center>

---
class: inverse, center, middle

# [*Hands-On Machine Learning with R*](https://bradleyboehmke.github.io/HOML/)

<center>
<img src = "https://bradleyboehmke.github.io/HOML/images/homl-cover.jpg" width = 340 />
</center>

---
class: inverse, center, middle

# [*Explanatory Model Analysis - Explore, Explain, and Examine Predictive Models*](https://ema.drwhy.ai/)

<center>
<img src = "https://ema.drwhy.ai/figure/front4.png" width = 280 />
</center>

---
class: inverse, center, middle

# [*Feature Engineering and Selection: A Practical Approach for Predictive Models*](http://www.feat.engineering/)

<center>
<img src = "https://images-na.ssl-images-amazon.com/images/I/41Iu2bXXUgL._SX347_BO1,204,203,200_.jpg" width = 320 />
</center>

---
class: inverse, center, middle

<center>
<img src = "img/gracias.gif" width = 600 />
</center>