Publications by David R.Cavazos Silva A01177238
4.2 FINAL
Shiny App ß Análisis de Sentimientos (Himno y El Triste) Shiny /HimnoSenti Red Neuronal Red Neuronal Series de Tiempo Serie de Tiempo...
143 sym
4.1 FINAL
Regresión Lineal: (Bicis y Precio Casas) Regresion Lineal Árbol de decisión: (Titanic y Cáncer de mama) Titanic & Cancer de Mama Análisis de clusters: (IKEA) Ikea Shiny App (Nombre Completo, Precio Casas) Precio Casas Caso Integrador: Gastos Médicos Comentario: En este entregable nuestro equipo no realizo su parte, solo Daniel y yo hicimo...
412 sym
Series de tiempo
Series de Tiempo 0. Concepto Una serie de tiempo es una colección de observaciones sobre un determinaod fenómeno efectuadas en momentos de tiempo sucesivos, usualmente equiespaciados. Ejemplos de series de tiempo son: Precio de acciones Niveles de inventario Rotación de personal Ventas Participación del mercado 1. Instalar paquetes y llama...
4183 sym R (3943 sym/18 pcs) 2 img
Red Neuronal
Redes Neuronales Una Red Neuronal Artificial (ANN) modela la relación entre un conjunto de entradas y una salida, resolviendo un problema de aprendizaje. Ejemplos de Redes Neuronales: + La recomendación de contenido en Netflix + FYP en TikTok + Feed de Instagram 1. Cargar libreria ##install.packages("neuralnet") library(neuralnet) 2. Alimentar ...
2575 sym R (1145 sym/13 pcs)
Evidencia 1 (Editado)
Entregable 1 Antecedentes de la empresa Visión: “En 2033 seremos una de las cinco mejores compañías de México que generan valor dentro de la cadena de suministro de las industrias que más valoran la forma en la que se protegen y trasladan las cosas.” (Form, 2023). Misión: “Transformar nuestro entorno y resolver retos industriales de n...
49643 sym R (11429 sym/53 pcs) 15 img 1 tbl
Regresion Lineal
title: “Regresion Lineal” author: “Equipo 4- Mariana Magaña, Rogeiro Ramirez, David Cavazos, Lynette Solis, Rogelio Gomez” date: “2023-08-25” output: html_document: toc: TRUE toc_float: TRUE code_download: TRUE theme: “yeti” — #Actividad 4.6 claims <- read.csv("/Users/davidcavazos/Desktop/ClaimsData2018.csv") trans <- read.csv("...
2271 sym R (55298 sym/18 pcs)
4.2
Titanic #file.choose() titanic <- read.csv("/Users/davidcavazos/Desktop/titanic.csv") summary(titanic) ## pclass survived name sex ## Min. :1.000 Min. :0.000 Length:1310 Length:1310 ## 1st Qu.:2.000 1st Qu.:0.000 Class :character Class :character ## Median :3.000 Media...
2944 sym Python (10052 sym/29 pcs) 6 img
4.1
Teoría # 1. Crear base de datos. df<-data.frame(x=c(2,2,8,5,7,6,1,4),y=c(10,5,4,8,5,4,2,9)) # 2. Numero de grupos grupos <- 3 # 3. Clasificacion segmentos <- kmeans(df,grupos) segmentos ## K-means clustering with 3 clusters of sizes 2, 3, 3 ## ## Cluster means: ## x y ## 1 1.500000 3.500000 ## 2 7.000000 4.333333 ## 3 3.66...
2108 sym 3 img
4.3
Regresión lineal Renta de bicis 1. Importar base de datos #file.choose() bicis <- read.csv("/Users/davidcavazos/Desktop/rentadebicis.csv") 2. Entender base de datos library(dplyr) ## ## Attaching package: 'dplyr' ## The following objects are masked from 'package:stats': ## ## filter, lag ## The following objects are masked from 'package:...
4516 sym R (11046 sym/31 pcs) 3 img
4.3 Final
Regresión lineal Renta de bicis 1. Importar base de datos #file.choose() bicis <- read.csv("/Users/davidcavazos/Desktop/rentadebicis.csv") 2. Entender base de datos library(dplyr) ## ## Attaching package: 'dplyr' ## The following objects are masked from 'package:stats': ## ## filter, lag ## The following objects are masked from 'package:...
4524 sym R (11056 sym/31 pcs) 3 img