Si está buscando desarrollar un nuevo algoritmo, no creo que pueda hacerlo en una semana. Por lo general, lleva mucho tiempo desarrollarlo, probar un nuevo algoritmo para justificar su calidad y precisión.
Si está intentando aplicar algún algoritmo existente, hay toneladas de ellos que generalmente son muy fáciles en R.
Por ejemplo:
- ¿Cuáles son las aplicaciones de los procesos estocásticos, particularmente en ciencia de datos y aprendizaje automático?
- ¿Cómo recopilar datos de agricultura en tiempo real para un área específica en India? Quiero hacer un informe del proyecto para mi estudio de ciencia de datos. ¿Cuáles son las fuentes de información que puedo usar?
- ¿Cuáles son las buenas bibliotecas de código abierto en Python o R para los métodos de Tensor? ¿Su equipo mantiene alguna?
- ¿Cuál es su opinión sobre el repentino interés de las personas en la ciencia de datos y análisis?
- Cómo prepararse para una maestría en informática en aprendizaje automático / ciencia de datos como una persona sin mucha experiencia en el campo de la informática
- Regresión lineal para salida numérica (lm)
- Descenso de gradiente para salida numérica (regresión lineal iterativa)
- Regresión logística para predicción de probabilidad (glm)
- Bosque aleatorio para clasificación (randomForest)
- Árbol de clasificación para clasificación (carro, rpart)
- Máquina de vectores de soporte para clasificación (svm)
- K-medias para problemas de agrupamiento
- ……
Puede simplemente buscarlos en Google y aplicarlos a sus datos.