Artículos
Mostrando 721–732 de 3136
-
Series temporales en R: análisis y predicción con forecast y fable en 2026
R tiene el ecosistema más completo para series temporales. Aprende a usar el paquete forecast de Rob Hyndman con auto.arima() y ets(), fable para múltiples series con tidyverse, y prophet de Meta para series con estacionalidad compleja.
-
Shiny en R: crear aplicaciones web interactivas de datos sin saber JavaScript
Shiny permite crear aplicaciones web interactivas escribiendo solo R. Aprende la estructura ui/server, el modelo reactivo con reactive() y observeEvent(), los módulos para apps grandes y cómo desplegar en shinyapps.io o en servidor propio.
-
Machine learning en R: caret y tidymodels para entrenar y evaluar modelos
R tiene dos frameworks para machine learning: caret, con más de 200 algoritmos bajo una interfaz unificada, y tidymodels, el sucesor moderno con separación limpia entre preprocesamiento, modelado y evaluación. Aprende a usar ambos con validación cruzada y...
-
Modelos estadísticos en R: regresión lineal, logística y GLMs con lm() y glm()
R tiene integrados en base R los modelos estadísticos clásicos. Aprende a ajustar regresión lineal con lm(), regresión logística y Poisson con glm(), interpretar summary(), diagnosticar residuos, comparar modelos con AIC y predecir nuevos datos.
-
Data frames en R: manipulación de datos con base R y data.table de alto rendimiento
El data frame es la estructura central de R para análisis de datos. Aprende a manipularlos con base R y con data.table, el paquete de alto rendimiento que usa modificación por referencia y puede ser 10 veces más rápido que dplyr en conjuntos de más de un...
-
Tidyverse en R: dplyr para manipular datos y ggplot2 para visualizarlos
El tidyverse es la colección de paquetes R más usada en análisis de datos. Aprende a manipular tablas con dplyr usando filter, mutate, group_by y summarise, y a crear visualizaciones con la gramática de gráficos de ggplot2.
-
R 4.5 en 2026: el lenguaje de referencia para estadística y ciencia de datos
R lleva más de treinta años siendo la primera elección de estadísticos e investigadores. Repasamos la evolución desde R 4.0 hasta R 4.5, sus tipos base, el ecosistema CRAN con más de 22.000 paquetes y por qué sigue siendo insustituible para estadística seria.
-
Diferenciación automática en Julia: Zygote.jl, ForwardDiff y cómo Julia lo hace diferente
Zygote.jl implementa diferenciación automática reverse mode en Julia puro, capaz de diferenciar código arbitrario incluidos solvers de EDOs. Comparativa con ForwardDiff.jl y aplicaciones en optimización y machine learning.
-
El ecosistema de paquetes de Julia: Pkg.jl y las librerías esenciales en 2026
Pkg.jl gestiona paquetes con reproducibilidad total via Project.toml y Manifest.toml. Repaso a las librerías esenciales en 2026: DataFrames, Flux, DifferentialEquations, Turing, Symbolics y más de 10.000 paquetes registrados.
-
Julia con Python, R y C: interoperabilidad entre ecosistemas científicos
Julia permite llamar a librerías de Python con PyCall.jl, a paquetes de R con RCall.jl y a funciones C/Fortran con ccall sin overhead. Interop sin wrappers para usar el mejor código de cada ecosistema.
-
Visualización de datos en Julia: Plots.jl, Makie y CairoMakie en 2026
Julia ofrece Plots.jl como frontend unificado y Makie.jl para gráficos de mayor calidad. CairoMakie para publicaciones, GLMakie para interactividad nativa, WGLMakie para el navegador. Código real y comparativa de backends.
-
Paralelismo en Julia: Threads, @distributed y GPU computing con CUDA.jl
Julia no tiene GIL: los threads ejecutan código en paralelo de verdad. Repaso completo a Threads.@threads, @spawn, Distributed.jl para multiproceso, CUDA.jl para GPU NVIDIA y Metal.jl para Apple Silicon.












