Actuaría (plan 2015) 2020-1

Aprendizaje estadístico automatizado (Statistical machine learning), 2020-1.

Grupos paralelos: 9307 Seminario de Estadística I, y 9147 Seminario de Aplicaciones Actuariales. Salón 303 del Nuevo Edificio, 13-14hrs.
Guillermina Eslava, eslava@ciencias.unam.mx, cubículo 102, Dep. de Matemáticas, F.C. Ayudante: Daniela Portillo del Valle, danielapdv@ciencias.unam.mx.

Requisitos: Haber cursado y aprobado Inferencia estadística, y Modelos no paramétricos y de regresión (Estadística I y II).

No se aceptan oyentes.

TEMARIO

1. Introducción

i) Manejo de datos en R.

ii) Estadística descriptiva y Visualización de datos.

iii) Tipo de variables: discretas, ordinales, contínuas, y mixtas.

iv) Lineamiento generales para la redacción y presentación de las tareas y el proyecto.

v) Introducción a latex.

2. Modelos de regresión

i) Repaso del modelo de Regresión lineal múltiple

ii) Modelos con variables contínuas, binarias, discretas, y mixtas.

iii) Transformaciones e interacciones

iv) Modelos de Regresión en alta dimensión

v) Selección clásica de modelos

3. Aprendizaje no supervisado.

i) Análisis de Componentes Principales

ii) Análisis de conglomerados

4. Aprendizaje supervizado.

i ) Regresión logística

ii) Análisis de discriminante lineal y cuadrático

iii) Discriminante k nearest neighbour

5. Métodos de evaluación y selección de modelos

i) Introducción

ii) Cross-Validation

ii) Bootstrap

6. Selección de modelos y regularización.

i) Selección de modelos en alta dimensión

ii) Lasso,

iii) Ridge regression

iv) Relaxed lasso

7. Modelos de árboles.

i) Trees (Arboles de decisión)

ii) Random forest

iii) Boosting

8. Redes Neuronales.

i) One-layer

ii) Multilayer

iii) Introducción a Deep learning NN.

Bibliografía

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.

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

Ripley, B.D. (1996). Pattern Recognition and Neural Networks. Cambridge University Press.

Strang G. (2019). Linear Algebra and Learning from Data. CUP
Venables, W.N. and Ripley, B.D. (2002). Modern Applied Statistics with S. Springer–Verlag.

Cursos en linea. E.g.:

Hastie & Tibshirani: https://www.r-bloggers.com/in-depth-introduction-to-machine-learning- in-15-hours-of-expert- videos/

G. Strang: https://ocw.mit.edu/courses/mathematics/18-065-matrix-methods-in-data-analysis- signal-processing-and-machine-learning-spring-2018/video-lectures/

Evaluación:

i) Cada capítulo, excepto la introducción, será evaluado con un examen–tarea, 75%.
ii) Un proyecto individual final para presentarse de forma oral y escrita, 25%.

Nota: Los proyectos de buen nivel podrán continuarse como trabajos de tesis.