Modelización de Computación Predictiva

En este libro recopilamos el material acerca de la asignatura de ‘Modelización de Computación Predictiva’ que pueda ser de interés y ayuda para un estudiante de Ingeniería.

Introducción

Bienvenidos al curso de Modelización para Computación Predictiva. Este libro ha sido diseñado para servir como referencia integral para estudiantes de ingeniería que buscan dominar los fundamentos matemáticos y computacionales detrás de los algoritmos modernos de análisis de datos.

Motivación del Libro

En la era del Big Data, no es suficiente con saber “ejecutar” un algoritmo desde una librería. Un ingeniero debe comprender la maquinaria interna: por qué funciona un método, cuándo falla y cómo optimizarlo. Este texto tiende un puente entre:

1. Fundamentos Matemáticos Rigurosos: Álgebra Lineal computacional, Teoría de Grafos y Cálculo matricial.
2. Implementación Práctica: Uso de R y el ecosistema tidyverse para traducir ecuaciones a código eficiente y reproducible.
3. Aplicaciones Reales: Desde el algoritmo PageRank de Google hasta sistemas de recomendación y análisis de redes sociales.

Estructura del Contenido

El libro está organizado en bloques temáticos que construyen el conocimiento de forma progresiva:

• Fundamentos de Ingeniería de Datos: Antes de modelar, aprendemos a estructurar proyectos reproducibles y a dominar R (Capítulo 1).
• Álgebra Lineal Computacional: Abordamos el problema de la escala. Cómo resolver sistemas de ecuaciones gigantes y entender la descomposición de matrices (Autovalores, SVD, PCA) que sustentan la reducción de dimensión (Capítulos 2, 3, 4).
• Análisis de Redes (SNA): Una inmersión profunda en la teoría de grafos aplicada. Desde la visualización hasta métricas de centralidad y detección de comunidades (Capítulos 5, 6, 7).
• Sistemas de Recomendación: Aplicamos lo aprendido para construir motores que predicen preferencias de usuarios (Capítulo 8).
• Series Temporales: Modelización de datos secuenciales para predicción (Capítulo 9).

Prerrequisitos

• Matemáticas: Conocimientos básicos de álgebra lineal (matrices, vectores) y cálculo.
• Programación: Familiaridad básica con conceptos de algoritmos. No se requiere experiencia previa en R, ya que se enseña desde cero en el primer capítulo.