07-final.Rmd

# Comentarios finales

Los temas que vimos aquí los cubrimos superficialmente, y varios 
temas importantes en análisis de datos ni siquiera fueron mencionados. Algunos son:

Temas importantes y comunes:

- "Arreo" de datos
- Análisis de datos faltantes, imputación múltiple (@missingrubin, @mice)
- Análisis reproducible, más de herramientas, buenas prácticas de mantenimiento de código
- Métodos multivariados: descomposición en valores singulares, componentes principales, etc, (@izenman)
- Modelación estadística (incluyendo regresión, regresión multinivel) (@GelmanHill)
- Estadística bayesiana (@puppies)

Experimentos, inferencia causal:

- Diseño y análisis de experimentos (@box78)
- Inferencia causal y sus métodos (@GelmanHill)

En algunos casos, para algunos pueden ser útiles:

- Métodos para datos grandes
- Herramientas para datos grandes, recursos computacionales en la nube

Para análisis predictivo, en general:

- *Feature engineering* ([Kuhn y Johnson](http://www.feat.engineering/))
- Métodos de clasificación: predicciones cuando la variable respuesta es categórica (@ESL)
- Métodos para predecir basados en conjuntos o ensembles de árboles: boosting, bosques aleatorios.

Para análisis predictivo en algunas áreas:

- Redes neuronales modernas (@deepbook), por ejemplo para procesamiento de texto o imágenes.