Actuaría (plan 2015) 2018-1
Optativas, Seminario de Estadística I
Grupo 9374 9 alumnos.
Statistical learning (Aprendizaje estadístico)
Statistical learning (Aprendizaje estadístico).
Guillermina Eslava, eslava@ciencias.unam.mx. Cubículo 102, Departamento de Matemáticas, Facultad de Ciencias.
Ayudante: Alfredo Sepúlveda, sepulveda.sastre@gmail.com
Semestre 2018-1. Seminario de Estadística I (Plan 2015); y Seminario de Aplicaciones Actuariales (Plan 2006). 12-13hrs, 304 del Nuevo Edificio.
Requisitos: Haber cursado y aprobado Estadística I y II. Estar familiarizado con al menos uno de los siguientes paquetes: R, SPSS, SAS, STATA. En el curso se usará R.
Nota No se aceptan oyentes.
Material del curso: https://goo.gl/8bQ3q9
Temario
1. Introducción
Ejemplos
Clasificación o aprendizaje supervisado
Clasificación o aprendizaje no supervisado.
2. Regresión lineal
Regresión lineal múltiple
Transformaciones y selección de modelos
3. Clasificación
Regresión logística
Análisis de discriminante lineal
Discriminante k nearest neighbour.
4. Métodos de remuestreo.
Cross--validation
Bootstrap.
5. Selección de modelos y regularización.
Selección de modelos en alta dimensión
Lasso
Componentes principales
Independent Component Analysis.
6. Métodos basados en árboles.
Arboles de decisión (Regression and classification trees)
Random forest, Bagging, Boosting.
7. Aprendizaje no supervisado.
Análisis de Componentes Principales
Análisis de conglomerados
8. Modelos gráficos probabilísticos.
Modelos gráficos gaussianos
Modelos gráficos loglineales
9. Desarrollo de proyecto individual.
Bibliografía
Gareth, J., Witten, D., Hastie, T., Tibshirani, R. (2013). An introduction to Statistical Learning. With applications in R, Springer. Texto a seguir en el curso y disponible en Springer a través de la UNAM.
Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning. Data Mining, Inference, and Prediction, 2nd ed., Springer. Disponible en Springer a través de la UNAM..
Hastie, T., Tibshirani, R., Wainwright, M. (2015). Statistical Learning with Sparsity. The lasso and generalizations. Chapman and Hall.
H{\o}jsgaard, S., Edwards, D., Lauritzen, S.L. (2012). Graphical Models with R. Springer. Disponible en Springer a través de la UNAM.
Ripley, B.D. (1996). Pattern Recognition and Neural Networks. Cambridge University Press.
Venables, W.N. and Ripley, B.D. (2002). Modern Applied Statistics with S. Springer--Verlag.
Evaluación:
Cada capítulo del 2 al 8 será evaluado con un examen o con un examen--tarea. 60%.
El proyecto final individual para presentarse de forma oral y escrita. 40 %.
Los proyectos bien elaborados y presentados podr\'an derivar en una tesis.