Actuaría (plan 2015) 2020-2
Optativas, Seminario de Estadística I
Grupo 9315 3 alumnos.
Introducción al Aprendizaje Estadístico
Esta es la página web del curso. Aquí encontrarán las tareas, códigos vistos en clases e información general del seminario.
El seminario pretende asentar los fundamentos teóricos de los distintos modelos usados en el aprendizaje estadísticos, esto sin ahondar demasiado en el formalismo matemático, y a su vez llevar estos a su ejecuación práctica mediante el uso de un lenguaje de programación. El lenguaje de programación que estaremos usando es R programming y los temas que comprenderá el seminario son los que se presentan a continuación.
1. Introducción
-
¿Qué es el aprendizaje estadístico?
-
El Trade-Off entre Exactitud de Predicción e Interpretabilidad del Modelos
-
Aprendizaje Supervisado y no Supervisado
-
Problemas de Regresión y de Clasificación
-
Evaluación del Modelo
-
Midiendo la Calidad del Ajuste
-
El Trade-Off entre Sesgo y Varianza
-
El Ajuste de la Clasificación
2. Métodos Lineales de Regresión y Clasificación
-
Regresión Lineal Simple
-
Teorema de Gauss-Markov
-
Mínimos Cuadrados
-
Estimación de los Coeficientes
-
Evaluando la Exactitud de la Estimación de los Coeficientes
-
Evaluando la Exactitud del Modelo
-
Regresión Lineal Múltiple
-
Estimando los Coeficientes de la Regresión
-
Comparación de la Regresión Lineal con K vecinos
-
Regresión Logística
-
El Modelo Logístico
-
Estimando los Coeficientes de la Regresión
-
Regresión Logística Múltiple
-
Regresión Logística para más de Dos Clases de Respuesta
-
Análisis de Discriminantes
-
El Teorema de Bayes
-
Análisis de Discriminantes Lineal (LDA)
-
Análisis de Discriminantes Cuadrático (QDA)
3. Métodos de Remuestreo
-
Validación Cruzada
-
Validación Cruzada Dejando uno Fuera (Leave-One-Out Cross Validation)
-
Validación Cruzada de K iteraciones (K Fold Cross Validation)
-
Validación Cruzada en Problemas de Clasificación
-
Bootstrap
4. Selección y Regularización en Modelos Lineales
-
Selección de Variables
-
Selección Paso a Paso (Forward y Backward Stepwise Selection)
-
Regresión Paso a Paso (Forward y Backward Stepwise Regression)
-
Métodos de Constricción
-
Ridge Regression
-
Lasso
-
Métodos de Reducción de Dimensión
-
Componentes Principales
-
Mínimos Cuadrados Parciales
-
Datos de Alta Dimensión
-
Regresión en Alta Dimensión
-
Interpretando Resultados en Altas Dimensiones
5. Expansión en Bases y Regularización
-
Regresión Polinomial
-
Bases de los Espacios de Funciones
-
Regresión con Splines
-
Constricciones y Splines
-
Representación en la Base de Splines
-
Suavizamiento por Splines
-
Modelos Aditivos Generalizados
6. Métodos Basados en Árboles
-
Árboles de Regresión
-
Árboles de Clasificación
-
¿Árboles o Modelos Lineales?
-
Bagging
-
Bosques Aleatorios
-
Boosting
7. Máquinas de Soporte Vectorial y Discriminantes Flexibles
-
Clasificador del Margen Máximo
-
Clasificadores de Soporte Vectorial
-
Máquinas de Soporte Vectorial (SVM)
-
Calculando SMV para Clasificación
-
SVM como Método de Penalización
-
Función de Estimación y Núcleos Reproductores
-
Regresión y SVM
-
Regresión y Núcleos
-
Análisis de Discriminantes Lineales Generalizados
-
Análisis de Discriminantes Flexibles
-
Análisis de Discriminantes Penalizados
-
Análisis de Discriminantes Mixtos
8. Aprendizaje No Supervisado
-
Análisis de Componentes Principales
-
Curvas y Superficies Principales
-
Componentes Principales del Núcleo
-
Clustering
-
Cluster de K medias
-
Cluster Jerárquico
-
Variables Latentes y Análisis Factorial
-
Análisis de Componentes Independientes
-
Escalamiento Multidimensional
-
Reducción de Dimensionalidad No Lineal y Escalamiento Multidimensional Local