Este demo no representa la calidad final del producto. Se hace conteo de tweets, retweets y replies, palabras frecuentes, palabras destacadas (TF-IDF), análisis de tópicos o temas, emociones y su propagación, evolución de las emociones y de los temas en el tiempo.

Este tablero del Coronavirus: el caso de Colombia provee una visión general de la nueva epidemia coronavirus COVID-19 (2019-nCoV) para colombia y algunos países de Sudamérica. Los datos que alimentan este tablero es el conjunto de datos disponibles en el paquete de datos de R [`{coronavirus}`](https://github.com/RamiKrispin/coronavirus){target="_blank"}. Asegúrese de descargar la versión de desarrollador del paquete para poder obtener una versión actualizada de los datos.

A partir de las descripciones de los projectos en inglés corridos durante 2017 en kickstarter se desarrolla con Keras en R Studio un modelo que predice el resultado final con 66% de precisión. Y al final de grafican en 2d y 3D los embeddings obtenidos a través de esta tarea.

Contiene todos los pasos para obtener los datos de 215513 proyectos corridos en kickstarter durante 2017, así como el link para descargar el resultado final en csv

A partir de las descripciones de los proyectos en kickstarter se desarrolla un modelo que predice con 66% de precisión si un proyecto va a ser exitoso o no.

Obtención, limpieza y ordenado de datos de +250k datos de proyectos de kickstarter.

Los datos de Twiter obtenidos a través de rtweet son analizados con una red de dos capas para generar un modelo que prediga la popularidad que un tweet tendrá. El modelo lo entrenamos con h2o, tratando de reproducir lo hecho antes con kerasformula.

Los tweets obtenidos con rtweet y analizados con kerasformula, usando variables de los tweets y modelos multicapas parametrizables.

Se usa un ResNet50 pre entrenado con ImageNet para clasificación de imágenes. Todo siguiendo el fabuloso tuto de R Studio.

This app is the Final Capstone for the Coursera & Johns Hopkins University specialization. I've developed an app which predicts the three more probables next words from the text you have inputted. The app implements the stupid back off model, but over all, the cleaning, tidying, tokenizing and counts of an big amount of text from the web previously collected.

En esta segunda notebook abordamos los datos de endeudamiento no hipotecario para esbozar un modelo regresivo que permita, más que predecir, establecer la importancia preliminar de las variables: pasando de 50 a 7 a hacemos realizable la labor y obtenemos alguna información relevante.

Hemos desarrollado una notebook para faciliar el acceso a los datos y los ejercicios adelantados a manera de introducción los vídeos https://www.youtube.com/watch?v=6ULCP7NsITY y en https://www.youtube.com/watch?v=5wCkW6y36DA

This is an advancement of my work on the final capstone of the Coursera Data Science specialization. Here I'm showing the getting data, cleaning, exploration and the first milestone of the model I'm deploying.

This is the pitch of an Shiny app which shows you some basics stats about the previous clashes between two teams of the English Premier League since the 93-94 to the 2015-2016 seasons: wins and draws and goal differences.

Some weather events has caused both public health and economic damages to communities and municipalities. By exploring the U.S. National Oceanic and Atmospheric Administration’s (NOAA) storm database we can establish historically which events has caused more harm to human health (injuries and fatalities) and which ones has caused more material loses (damage to properties and crops). By arrive to that point, first it’s necessary to trade out with some issues about the reports that embody the dataset across the time and its circumstances. In this way, it is possible to contribute to the make of decision about which weather events is more efficient to invest in avoid negative consequences and the correlation between them self.