Encabezado Facultad de Ciencias
Presentación

Actuaría (plan 2006) 2019-2

Optativas, Seminario de Aplicaciones Actuariales

Grupo 9159, 65 lugares. Un alumno.
Aprendizaje estadístico automatizado (Statistical machine learning).
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

  1. Análisis exploratorio y visualización de datos.
    - Regresión lineal múltiple
    - Modelos con variables contínuas, binarias, discretas y mixtas. - Transformaciones, interacciones y selección de modelos.
  2. Aprendizaje supervizado.

    - Análisis de discriminante lineal y cuadrático - Discriminante k nearest neighbour
    - Suport Vector Machines, SVM
    - Regresión logística.

  3. Métodos de evaluación y selección de modelos - Introducción -Cross-validation - Bootstrap.

  4. Selección de modelos y regularización.
    - Selección de modelos en alta dimensión - Lasso
    - Ridge regression.

  5. Modelos de árboles.
    - Arboles de decisión - Bagging
    - Random forest
    - Boosting.

  6. Aprendizaje no supervisado - Análisis de Componentes Principales - Análisis de conglomerados.

  7. Redes Neuronales.
    - One-layer
    - Multilayer
    - Deep learning NN.

  8. 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.

 


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.