Artículos
-
Otros lenguajesMachine 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 ajuste de hiperparámetros.
-
Otros lenguajesFlux.jl: machine learning en Julia con diferenciación automática nativa
Flux.jl es un framework de machine learning escrito en Julia puro, con Zygote.jl para diferenciación automática en modo reverse. Redes densas, CNN, entrenamiento, GPU y capas personalizadas con código real.
-
Otros lenguajesModelos 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.
-
Otros lenguajesÁlgebra lineal y computación numérica en Julia: arrays, matrices y BLAS nativo
Julia llama directamente a BLAS/LAPACK sin capas de Python. Arrays multidimensionales, broadcasting con punto, factorizaciones LU/QR/SVD, matrices dispersas y vistas sin copia: computación numérica al máximo rendimiento.
-
Otros lenguajesData 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 millón de filas.
-
Otros lenguajesDataFrames.jl en Julia: análisis de datos al estilo pandas pero con rendimiento nativo
DataFrames.jl lleva el análisis tabular de Julia con una API similar a pandas pero con tipos estrictos y compilación nativa. Filtrado, agrupaciones, joins y transformaciones con código real y comparativa de rendimiento.
-
Otros lenguajesTidyverse 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.
-
Otros lenguajesTipos y multiple dispatch en Julia: el sistema que hace que el código genérico sea rápido
El multiple dispatch de Julia elige qué función ejecutar según los tipos de todos los argumentos, no solo del primero. Esto permite código genérico con rendimiento de código especializado: cómo funciona y por qué importa.
-
Otros lenguajesR 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.
-
Otros lenguajesJulia 1.11 en 2026: el lenguaje para computación científica que compite con C en velocidad
Julia compila a código nativo con LLVM y resuelve el problema de rendimiento de Python para ciencia de datos. Repaso a Julia 1.11, su sistema de tipos, multiple dispatch, arrays y el ecosistema de paquetes en 2026.