¿Puede un árbol de decisión clasificar correctamente el puntaje en Por encima/Por debajo de la media a partir solo de variables vinculadas al contexto de vida? En este análisis se utiliza ML para poder etiquetar el resultado de los estudiantes que rindieron la pruieba en 2022 sin tener en cuenta sus calificaciones. El objetivo es seguir aportando información al estudio del rendimiento educativo, incorporando la pregunta por la incidencia del contexto de vida de los estudiantes. Si bien el interrogante resulta todo menos novedoso, el uso de ML para predecir resultados puede aportar nuevas conclusiones basadas en datos con un significativo ahorro de tiempo/energía.

Análisis de la distribución geográfica de los accesos a internet de la AUI y de las empresas Claro, Personal y Movistar en barrios populares registrados por Renabap en la ciudad capital de San Luis. Datos extraídos de Enacom, Renabap, DatAr y el Ministerio de Ciencia y Tecnología de la provincia de San Luis

Análisis realizado con librerías tidygeocoder(), leaflet() y osrm()

Análisis de distribución geográfica de comisarias en CABA cercanas a la Casa Rosada (10' en auto)

Servicios financieros y rutas en Asunción, Paraguay

Análisis de distribución espacial de siniestros viales según día de la semana y mes del año. Librerías tidyverse, ggplot, ggmap, lubridate

Utilización de librerías tidyverse, ggmap, lubridate y gifsky. Análisis temporal, espacial y témporoespacial. Búsqueda de patrones. Análisis viasualizados a través de gráficos animados

Análisis de datos usando librerías tidyverse con procesamiento y visualización, trabajo final de Ciencias de Datos 1.