Encabezado Facultad de Ciencias
Presentación

Actuaría (plan 2015) 2018-1

Optativas, Seminario de Estadística I

Grupo 9374 9 alumnos.
Statistical learning (Aprendizaje estadístico)
Profesor Guillermina Eslava Gómez lu mi vi 12 a 13 304 (Nuevo Edificio)
Ayudante Alfredo Sepúlveda Sastré ma ju 12 a 13 304 (Nuevo Edificio)

 

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.

 


Hecho en México, todos los derechos reservados 2011-2016. Esta página puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica. De otra forma requiere permiso previo por escrito de la Institución.
Sitio web administrado por la Coordinación de los Servicios de Cómputo de la Facultad de Ciencias. ¿Dudas?, ¿comentarios?. Escribenos. Aviso de privacidad.