"In theory, there is no difference between theory and practice. But in practice, there is"
-Benjamin Brewster
En este repositorio encontrarás todo el material necesario para el curso. Te recomendamos tener este sitio disponible en cada clase, así como revisarlo constantemente. ¡Cualquier duda o comentario, no dudes en contactárnos!
- Humberto Acevedo Cruz Manjarrez
- Emilio Sandoval Palomino
SEMESTRES 2025-1.
Link de examen
https://www.classmarker.com/online-test/start/?quiz=7kf6744adf91779b
Saludos.
| Unidad | Slides | Código | Recursos | Data |
|---|---|---|---|---|
| Presentación de curso | Welcome | Syllabus · Cuestionario general · Whimsical del curso |
||
| Regresión lineal | Workshop 1 | Intro a LaTeX · Intro a Python · Regresión lineal artesanal |
Paper: How to read a paper · Paper: Regresión lineal y probeza · Brilliant · Viendo la teoría · Setosa.io · Spurious Correlations · Kaggle · Ejemplo de reporte · p.value in excel |
Ceosal · Sleep75 |
| Forma Funcional | Workshop 2 · LaTeX | Paper: Selecting Functional Form in Production Function Analysis · Assignment 1 · Ejemplo LaTeX |
Mus08 · Auto |
|
| Multicolinealidad | Workshop 3 | Matriz Portugal |
Nomulti · Presion · Elemapi |
|
| Normalidad | Workshop 4 | Elemapi2 |
||
| Homoscedasticidad | Workshop 5 | Elemapi2 · Hprice1 |
||
| Autocorrelación | Workshop 6 | Regresión cellphones |
Klein |
|
| Logit - Probit | Workshop 7 | Titanic |
Breaking it Down: Logistic Regression · Probit Regression in R, Python, Stata, and SAS · Probit and Logit with R and Python |
Mroz |
| Datos Panel | Workshop 8 |
| Ecuaciones simultáneas | Workshop 9 |
| Series de tiempo | Workshop 10 | Predicción de clima | Time Series Problems Simply Explained as Fast Food Combo Meals| |
| Cointegración | Workshop 11 |
| Intro a Ciencia de datos y BI* | Workshop 12 | Banking Churn | Decision and Classification Trees, Clearly Explained!!! · Clasificación con Árboles de Decisión ¡EN 15 MINUTOS! · Visual Guide to Random Forests · R2D3 · 8 Mistakes Holding Your Career Back · Teoría de la información | |
* opcional, a votación del grupo y a expensas de cubrir el temario de la facultad. -->
| #1 | #2 | #3 | #4 | #5 | |
|---|---|---|---|---|---|
| Dataset | Admision |
Insurance |
Profit |
Fish |
CalCOFI |
|
|
% |
% |
% |
% |
% |
|
|
% |
% |
% |
% |
% |
A lo largo del semestre tendremos algunas lecturas obligatorias que complementan su conocimiento. Abajo podrán consultar el libro y sus especificaciones
| Título | Link | Capítulos |
|---|---|---|
| El cisne negro | PDF · Amazon |
Prólogo, Cap. 1 - Cap. 4; Cap. 14 y 15 |
Para introducción Machine Learning en un caso de clasificación binaria. Les sugerimos revisar los siguientes videos para tener un pre de conocimiento:
- Clasificación con Árboles de Decisión ¡EN 15 MINUTOS!
- Regresión con Árboles de Decisión: el algoritmo CART
- R2D3
Algunos artículos adicionales sobre econometría, analítica y temas afines:
| Link | Descripción |
|---|---|
| Interactive Linear Algebra | Repaso de temas de álgebra lineal elemental de forma interactiva |
| Heuristics That Almost Always Work | El arte de la heurística pudiera ser el paso número cero en cualquier modelación |
| The Datasaurus Dozen | La importancia de graficar |
| How to Use Occam’s Razor Without Getting Cut | |
| The Curse of Dimensionality | Artículo breve que desmuestra que no siempre es mejor añadir variables independientes, además con ello viene un costo enorme |
| 6 Types of “Feature Importance” Any Data Scientist Should Know | Algunas aplicaciones de la F estadística en Machine Learning |
| XGBoost Algorithm: Long May She Reign! | La regresión lineal es válida, pero ¿eficiente? |
| In 1980, two feuding professors bet on the fate of humanity. Who won? | Economistas vs. Biologos vs. la realidad vs. los modelos fallan vs. ... |
| Linear Regression Models and Influential Points | Outliers ≠ Influential Points...algo que no se enseña en la facultad pero es lo más común en datasets |
| Stats Gist List: An Irreverent Statistician’s Guide to Jargon | Entretenido por si quieren relacionar temas de A.I. con lo que se ve en la primera parte de nuestro curso |
| Linear Regression | Infografía útil para regresión lineal simple. |
| Multiple Linear Regression | Infografía que resume propiedades de regresión lineal múltiple. |
| Ordinary People Don’t Think Like Economists. It’s a Problem. | |
| Machine Learning and Causal Inference for Policy Evaluation | |
| Why you should always visualize your data | |
| p-hacker: Train your p-hacking skills! | |
| Looking at the distribution: histograms and kernel density plots | |
| Assumptions of Linear Regression | |
| Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations | |
| Is n = 30 really enough? A popular inductive fallacy among data analysts | |
| How Data Leakage affects model performance claims | Una razón más intuitiva que matemática de porqué no es bueno tener variables independientes proxy a la variable dependiente, o que estén correlacionadas y por lo tanto la regresión muestre signos de multicolinealidad. |
| Knowledge structures | Entendimiento de los diferentes problemas y cómo abordarlos |
| 10 Reasons Your Beliefs Are Probably Bullshit | Sesgos cognitivos y cómo resolverlos |
| A User’s Guide to Statistical Inference and Regression | "Set of notes for Government 2002: Quantitative Social Science Methods II at Harvard University taught by Matthew Blackwell." |
| Link | Comentarios |
|---|---|
| El cisne negro · Nassim Nicholas Taleb | |
| The art of statistics · David Spiegelhalter | |
| Maxims for thinking anallytically - Dan Levy | |
| Everybody Lies: Big Data, New Data, and What the Internet Can Tell Us About Who We Really Are - Seth Stephens-Davidowitz | |
| Outliers: The story of success - Malcolm Gladwell | |
| Prediction Machines: The Simple Economics of Artificial Intelligence - Ajay Agrawal | |
| Using Python for Introductory Econometrics - Daniel Brunner | |
| Econometrics with Machine Learning - Advan | |
| Power and Prediction: The Disruptive Economics of Artificial Intelligence - Ajay Agrawal | |
| The Book of Why: The New Science of Cause and Effect - Judea Pearl | |
| Prediction Revisited: The Importance of Observation - Megan Czasonis |