Profesor | Guillermina Eslava Gómez | lu mi vi | 13 a 14 | 002 (Yelizcalli) |
Ayudante | Daniela Portillo del Valle | ma ju | 13 a 14 | 002 (Yelizcalli) |
Grupos paralelos: Seminario de Aplicaciones Actuariales (plan 2006) grupo 9159 y Seminario de Estadística I (plan 2015) grupo 9311.
Aprendizaje estadístico automatizado (Statistical machine learning), 2019-2.
Guillermina Eslava, eslava@ciencias.unam.mx, cubículo 102, Departamento de Matemáticas, Facultad de Ciencias.
Ayudante: Daniela Portillo del Valle, danielapdv@ciencias.unam.mx.
Requisitos: Haber cursado y aprobado Estadística I y II, y estar familiarizado con R. Material del curso en: Nota No se aceptan oyentes.
Evaluación: i) Cada capítulo del 1 al 7 será evaluado con un examen o un examen–tarea. 80%. ii) Un proyecto final para presentarse de forma oral y escrita. 20%.
Temario
- Análisis de discriminante lineal y cuadrático - Discriminante k nearest neighbour
- Suport Vector Machines, SVM
- Regresión logística.
Métodos de evaluación y selección de modelos - Introducción -Cross-validation - Bootstrap.
Selección de modelos y regularización.
- Selección de modelos en alta dimensión - Lasso
- Ridge regression.
Modelos de árboles.
- Arboles de decisión - Bagging
- Random forest
- Boosting.
Aprendizaje no supervisado - Análisis de Componentes Principales - Análisis de conglomerados.
Redes Neuronales.
- One-layer
- Multilayer
- Deep learning NN.
Redes Bayesianas (Modelos gr ́aficos dirigidos). Si el tiempo lo permite y no se examinará. - Modelos gráficos no dirigidos o Redes Markovianas - Redes Bayesianas.
Bibliografía
Cook, D. and Swayne, D.F. (2007). Interactive and Dynamic Graphics for Data Analysis With R and GGobi
Efron, B., Hastie, T. (2016). Computer Age Statistical Inference. Algorithms, Evidence and Data Science. Cambridge University Press.
Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning. Data Mining, Inference, and Prediction, 2nd ed., Springer. TEXTO a seguir en el curso y disponible en Springer a trav ́es de la UNAM
Hastie, T., Tibshirani, R., Wainwright, M. (2015). Statistical Learning with Sparsity. The lasso and generalizations. Chapman and Hall.
Højsgaard, S., Edwards, D., Lauritzen, S.L. (2012). Graphical Models with R. Springer. Disponible en Springer a trav ́es de la UNAM
James, G., Witten, D., Hastie, T., Tibshirani, R. (2013). An introduction to Statistical Learning. With applications in R, Springer. TEXTO a seguir en el laboratorio del curso y disponible en Springer a trav ́es de la UNAM
Kuhn, M, Johnson, K. (2013). Applied Predictive Modelling. Disponible en Springer a trav ́es de la UNAM
Ripley, B.D. (1996). Pattern Recognition and Neural Networks. Cambridge University Press.
Scutari, M and Denis , J-B. (2015). Bayesian networks . With examples in R. Chapman and Hall.
Venables, W.N. and Ripley, B.D. (2002). Modern Applied Statistics with S. Springer– Verlag.